FR3103611A1

FR3103611A1 - Procédé et dispositif de suivi de l’activité d’une personne en perte d'autonomie

Info

Publication number: FR3103611A1
Application number: FR1913208A
Authority: FR
Inventors: Paul COMPAGNON; Grégoire LEFEBVRE
Original assignee: Orange SA
Current assignee: Orange SA
Priority date: 2019-11-26
Filing date: 2019-11-26
Publication date: 2021-05-28
Anticipated expiration: 2039-11-26
Also published as: FR3103611B1

Abstract

Procédé de contrôle de l’activité d’une personne, comprenant ce qui suit au niveau d’un dispositif de communication: - acquérir un ensemble de créneaux horaires, - acquérir (P1) des données représentant différentes activités de ladite personne, - organiser (P2) lesdites données acquises en au moins deux échantillons de données selon leurs horodatages respectifs, - classer (P4) lesdits au moins deux échantillons selon au moins une méthode de classification non supervisée, générant une deuxième classe d’échantillons, - comparer (P5) les première et deuxième classes entre elles, délivrant une valeur de comparaison, - comparer (P6) la valeur de comparaison, avec au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins deux autres durées, -transmettre (P7 ; P7’) un message à un équipement selon le résultat de ladite comparaison de ladite valeur de comparaison avec au moins les deux autres valeurs de comparaison. Figure pour l’abrégé : figure 1

Description

Procédé et dispositif de suivi de l’activité d’une personne en perte d'autonomie

Domaine de l’invention

La présente invention se rapporte de manière générale au domaine de la mesure et du suivi à distance de l’activité corporelle d’une personne.

Art antérieur

Les changements dans les activités quotidiennes (appelées routines dans la suite de la description) d’une personne peuvent être une caractéristique d’une perte d’autonomie d’une personne. Il est donc utile de pouvoir d’analyser ces changements de routines et d’en estimer une perte d’autonomie de ladite personne. De plus, pour le personnel médical ou l’entourage d’une personne fragile, il serait très utile de disposer d’un dispositif permettant de suivre l’évolution du niveau d’autonomie d’une personne et d’alerter ce personnel médical ou l’entourage de cette personne en cas de perte sensible de son autonomie. De plus, étant donné le nombre important de personnes suivies par le personnel médical, il serait utile que le dispositif puisse être simple à paramétrer et ne pas comporter un nombre trop important d’informations nécessaires au bon fonctionnement de la méthode mise en œuvre par ce type de dispositif. Les informations nécessaires à ce type de dispositif peuvent être variées mais on peut citer des informations qui permettent d’identifier des gestes ou des habitudes de ladite personne à suivre ou des informations précises sur sa physionomie. Les informations et paramétrages de ce type de dispositifs et/ou méthodes sont donc un frein à l’adoption large par les professionnels de la santé de ce type de dispositif et/ou méthode. On peut citer par exemple le document "Supervised classification of activities of daily living in health smart homes using SVM," A. Fleury, N. Noury and M. Vacher, 2009 Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Minneapolis qui propose un modèle de classification supervisée des activités de la vie quotidienne (modèle dit SVM). A partir d’informations captées dans l’environnement domestique (ex : caméra, microphone, température, hydrométrie, ouverture de porte, etc.), une classification en activité est réalisée pour reconnaître certaines situations : sommeil, repos, s’habiller, manger, hygiène, communication etc. Cependant, la méthode utilisée pour reconnaître des situations est supervisée, ce qui est une limitation. Cela suppose d’avoir des bases volumineuses d’exemples annotées par des experts ou des utilisateurs finaux. Le modèle SVM de classification est un modèle discriminatif qui cherche à séparer les signaux d’apprentissage et n’est donc pas adapté pour être généralisé à des types de données inconnues sur lesquels il n’a pas été entraîné (e.g. nouvelles personnes, nouvelles activités de la vie quotidienne, changement d’habitudes dans le temps entre les références apprises et des évolutions de comportement, etc.). L’invention permet donc de palier aux problèmes techniques rencontrés dans l’état de l’art par une méthode non intrusive et non supervisée d’alerte automatique sur une perte d’autonomie d’une personne, basée sur l’analyse des changements de routines de cette personne. Cette méthode peut être mise en œuvre avec des dispositifs très répandus dans le domaine public comme des montres connectées ou des smartphones et ne nécessite pas de disposer d’informations très précises sur les habitudes, les gestes ou les spécificités physiques de la personne à suivre.

Objet et résumé de l’invention

A cet effet, un objet de la présente invention concerne un procédé de contrôle de l’activité d’une personne, comprenant ce qui suit au niveau d’un dispositif de communication:

- acquérir un ensemble de créneaux horaires, un créneau horaire correspondant à une activité particulière pratiquée par ladite personne dans ledit créneau horaire,

- acquérir des données représentant différentes activités de ladite personne sur une durée donnée, lesdites données étant horodatées,

- organiser lesdites données acquises en au moins deux échantillons de données selon leurs horodatages respectifs, lesdits au moins deux échantillons étant classés dans au moins un créneau horaire dudit ensemble de créneaux horaires, générant une première classe d’échantillons,

- classer lesdits au moins deux échantillons selon au moins une méthode de classification non supervisée, générant une deuxième classe d’échantillons,

- comparer les première et deuxième classes entre elles, délivrant une valeur de comparaison,

- comparer la valeur de comparaison, avec au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins deux autres durées,

-transmettre un message à un équipement selon le résultat de ladite comparaison de ladite valeur de comparaison avec au moins les deux autres valeurs de comparaison.

Grâce à l’invention il est possible de contrôler l’activité d’une personne et de notifier un organisme ou un proche en cas de modification sensible de cette activité. Le procédé de l’invention s’appuie sur des algorithmes de «machine learning» (apprentissage automatique en français) non supervisés pour classer lesdits échantillons de données et sur des modèles mathématiques afin de calculer une valeur de comparaison desdits échantillons classés avec un ensemble de valeurs de référence représentant un ensemble de créneaux horaires. L’invention s’appuie également sur des comparaisons entre cette valeur de comparaison et d’autres valeurs de comparaison qui ont été calculées précédemment. Selon le résultat de ces comparaisons, le procédé peut déclencher la transmission d’un message, tel qu’un message d’alerte par exemple, vers un équipement d’un tiers, afin d’alerter un tiers d’un changement d’activité de ladite personne. Pour parvenir à cette transmission d’un message qui s’assimile à une alerte, le procédé de l’invention acquiert tout d’abord un ensemble de créneaux horaires comprenant des activités quotidiennes de ladite personne. Cet ensemble de créneaux horaires, qui définit un schéma initial, peut correspondre à un emploi du temps journalier de ladite personne par exemple mais tout type d’emploi du temps (hebdomadaire, mensuel, etc.) peut convenir au procédé. Cet ensemble de créneaux horaires est déterminé soit par ladite personne, soit par un tiers qui connait bien les habitudes de ladite personne. Il n’est pas nécessaire que les données de cet ensemble de créneaux horaires comprennent un détail précis et complet des activités réalisées par ladite personne. Il n’est même pas nécessaire d’avoir une information sur le type d’activité réalisée par ladite personne. Seules les données horaires des activités sont nécessaires dans la suite des étapes du procédé. Cette étape du procédé est la seule qui nécessite des informations provenant d’une personne qui connait les habitudes de ladite personne ou provenant de ladite personne elle-même. Toutes les autres étapes ne nécessitent donc pas de données étiquetées, c'est-à-dire des données qui nécessitent l’intervention d’un tiers pour ordonner au procédé ce que représentent certaines données, et c’est en ce sens que l’analyse des changements dans les activités d’une personne selon le procédé de l’invention est dite non supervisée. Ce procédé permet de garantir une confidentialité des informations personnelles car les personnes ou machines qui utilisent le procédé ne peuvent pas connaître quel type d’activité réalise la personne. De plus, le procédé de l’invention nécessite d’acquérir des données de ladite personne sur une durée donnée et qui ont été horodatées. Ces données ont pu être préalablement enregistrées suite à une acquisition passée puis sauvegardées sur un serveur ou ces données sont acquises à la volée, c’est à dire à la suite d’une acquisition d’un capteur externe et transmises au dispositif mettant en œuvre le procédé ou même ledit dispositif comprend ledit capteur. Dans les étapes suivantes du procédé de l’invention, il est défini une durée donnée d’acquisition desdites données d’activité de ladite personne. Cette durée est supérieure ou égale à la période du schéma initial. Le procédé de l’invention est adapté pour acquérir un ensemble de données correspondant à une durée d’activité de ladite personne beaucoup plus importante que celle correspondant audit ensemble de créneaux horaires afin d’obtenir une durée d’activité comprenant plusieurs ensembles de créneaux horaires. Le choix de la durée d’activité à acquérir peut être à l’initiative d’une personne ou bien du procédé. Ce choix peut avoir un impact sur la fiabilité du procédé car, si la durée d’activité à acquérir est trop courte (de l’ordre du jour ou de la semaine), alors les changements d’activités de la personne sont trop peu nombreux et il sera complexe, voire impossible, de détecter des anomalies de comportement d’une personne. En effet, si la durée d’activité est trop courte, le procédé ne sait pas discerner des changements d’habitudes liés à des évènements exceptionnels (un week-end de la personne à l’étranger par exemple) à des changements liés à une anomalie de comportement. De même, si la durée d’activité à acquérir est trop longue (de plusieurs années par exemple), il est alors très complexe, voire impossible, de définir les bons seuils d’alertes ou bien de pouvoir alerter dans les temps car la véritable anomalie de comportement risque d’être non détectable par le procédé puisque négligeable par rapport aux données correspondant à un comportement habituel. Ensuite le procédé organise lesdites données acquises en au moins deux échantillons de données selon leurs horodatages respectifs et sur la durée d’activité précédemment définie. La ou les taille(s) desdits échantillons de données est un facteur qui peut être déterminé par une personne ou par le procédé lui-même. Cette ou ces taille(s) ont un effet sur la précision de calcul des prochaines étapes du procédé. Lesdits échantillons sont ensuite classés dans au moins un créneau horaire dudit ensemble de créneaux horaires, générant une première classe d’échantillons. Ce classement permet d’associer chaque échantillon dans un créneau horaire défini précédemment. Chaque échantillon a donc une correspondance avec un créneau horaire défini initialement. Ensuite ou précédemment ou en parallèle à l’étape de classement des échantillons par créneau horaire, le procédé de l’invention réalise une étape de classement desdits échantillons selon au moins une méthode de classification non supervisée, générant une deuxième classe d’échantillons. Ce classement des échantillons selon une méthode de classification non supervisée s’appuie sur des algorithmes de «machine learning» non supervisés c'est-à-dire que ces algorithmes déterminent, par apprentissage progressif sur des données déjà analysées, les échantillons ayant une ou des valeurs de données similaires et les regroupe entre eux afin de créer des familles d’échantillons de données similaires. Lesdits échantillons de données ont donc deux correspondances, l’une avec un créneau horaire initial, et l’autre avec une famille de données déterminée par analyse de similarité. Ensuite, le procédé de l’invention compare les première et deuxième classes entre elles, délivrant une valeur de comparaison. Pour réaliser cette comparaison, le procédé identifie les différentes familles d’échantillons déterminées lors de l’étape précédente sur chacun du ou des créneaux définis initialement et sur toute la durée d’activité définie préalablement. Comme chaque créneau initial détermine à priori une activité particulière de ladite personne, il ne devrait donc comprendre que des échantillons de données ayant des valeurs similaires ou, défini autrement, une seule famille de données. Le procédé analyse donc la disparité des échantillons de données dans chaque créneau horaire. Il réalise cette analyse pour chaque créneau horaire d’un ensemble de créneaux horaires et pour chaque ensemble de créneaux horaires. A l’issue de cette analyse, le procédé détermine une valeur de comparaison des familles d’échantillons de données. Cette valeur de comparaison est donc représentative d’une différence d’activité de ladite personne par rapport au schéma initial défini par l’ensemble de créneaux horaires. En fonction d’une certaine valeur de comparaison, un message, de type électronique par exemple, est envoyé vers un appareil/équipement d’un tiers. La valeur de comparaison est par exemple comparée à une valeur seuil, et si la valeur de la comparaison est inférieure à cette valeur seuil, le message est envoyé à l’appareil. Cette valeur seuil est soit définie par une personne, soit par le procédé lui-même. Une analyse similaire est alors itérée pour d’autres ensembles de créneaux horaires au cours du temps, sur le long terme.

Selon un mode de réalisation particulier, ladite comparaison de la valeur de comparaison avec au moins les deux autres valeurs de comparaison obtenues comprend un calcul d’une valeur de probabilité d’apparition de la valeur de comparaison selon lesdites au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins lesdites deux autres durées.

Grâce à ce mode de réalisation, il est ainsi possible de calculer une probabilité d’apparition de la valeur de comparaison selon lesdites au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins deux autres durées. Dans cette étape, le procédé de l’invention calcule la variation de la valeur de comparaison avec au moins deux autres valeurs de comparaison calculées précédemment pour d’autres ensembles de créneaux horaires et calcule, selon le profil de variations calculées précédemment, une probabilité d’apparition de la valeur de comparaison. Cette étape est basée sur l’analyse des variations de valeur de comparaison et non pas sur l’analyse des valeurs de comparaison elles-mêmes, car l’invention a pour objectif de détecter des variations, au cours du temps, d’activités ou routines de ladite personne. En effet, une valeur de comparaison seule n’est pas en mesure de donner un indicateur fiable d’un changement de routine de ladite personne, car les éléments de référence d’un schéma initial (ensembles de créneaux horaires) ou bien les mesures réalisées par le capteur ne sont pas assez fiables. Le schéma initial ne propose en effet qu’un descriptif temporel sommaire d’un emploi du temps de ladite personne. Les données issues des mesures réalisées proviennent de différents capteurs plus ou moins fiables comme un gyroscope d’une montre connectée ou d’un smartphone, un cardio fréquencemètre d’une montre connectée, etc. Ces données ne peuvent donc pas servir de référence pour la détection d’un changement de routine de ladite personne. Des variations importantes des valeurs de comparaison entre deux périodes de contrôle d’activité sont nécessairement à prévoir et l’importance seule de ces variations ne peut suffire à décrire un changement dans les habitudes de la personne. De même l’adéquation absolue au schéma initial forcément très grossier donné par la personne ne renseigne que très approximativement sur l’évolution de ses habitudes. Pour ces raisons, il est nécessaire de s’intéresser à la probabilité d’apparition de ces variations, à quel point elles sont rares et exceptionnelles par rapport à la normale. De plus, l’analyse des changements de routines par l’analyse des variations de la valeur de comparaison courante avec d’autres valeurs de comparaison calculées préalablement permet une évaluation fiable du changement de routine de ladite personne puisque qu’elle prend comme référence seulement les variations avec d’autres valeurs de comparaison. Le choix d’un ensemble de valeurs de comparaison calculées précédemment peut être réalisé par une personne ou par le procédé lui-même. Ce choix de l’ensemble de ces valeurs de comparaison est essentiel à la bonne mise en œuvre du procédé car les périodes/durées correspondant aux acquisitions des données de l’activité de ladite personne qui ont été utilisées pour calculer l’ensemble de ces valeurs de comparaison doivent avoir un lien avec la période/durée utilisée pour le calcul de la valeur de comparaison courante. Plus le procédé a la possibilité d’analyser des données loin dans le passé, plus il est en mesure de fournir des informations fiables sur les classements d’échantillons de données qui s’apparentent à un comportement normal de ceux qui sont représentatifs d’un changement de routine ou d’une anomalie de comportement de la personne.

Selon un mode de réalisation particulier, au moins une desdites deux autres valeurs de comparaison obtenues est sélectionnée selon une règle de distribution de probabilités de variation continue.

Grâce à ce mode de réalisation, il est ainsi possible de sélectionner au moins une desdites deux autres valeurs de comparaison obtenues selon une règle de distribution de probabilité de variation continue. Cette sélection permet de comparer ladite valeur de comparaison courante avec au moins un ensemble d’autres valeurs de comparaison sur au moins une période correspondant aux acquisitions des données de l’activité de ladite personne selon une règle de distribution de probabilités de variation continue afin de contrôler l’activité de ladite personne. Cette caractéristique particulière de l’invention permet de sélectionner au moins un ensemble de valeur de comparaison d’au moins une autre période/durée d’acquisition des données de la personne qui précède la période/durée de comparaison courante ou qui est adjacente à cette dernière. Si la distribution de probabilités de variation continue comprend des ensembles de valeurs de comparaison sur plusieurs autres périodes/durées alors ces plusieurs autres périodes/durées sont adjacentes entres elles également. Ce mode de réalisation permet de sélectionner comme référence, pour le contrôle de l’activité d’une personne, les périodes/durées qui sont proches de la période/durée courante et qui précédent cette dernière. Ce mode de réalisation permet de suivre les variations d’activité de ladite personne sur des périodes/durées adjacente, comme par exemple de jour en jour ou de semaine en semaine ou même de mois en mois. La sélection des périodes/durées et donc la détermination de la règle de la distribution de probabilités de variation continue utilisée par le procédé peut être choisie par une personne ou calculée par le procédé lui-même. Le procédé de l’invention mesure donc si des variations anormales de l’activité de la personne se produisent sur ladite période/durée courante comparée à d’autres périodes/durées d’analyse précédentes ou adjacentes à ladite période/durée courante ou à contrario si les variations d’activités se trouvent dans la norme des variations constatées par le passé pour des périodes/durées précédentes ou adjacentes à ladite période/durée courante. Cette distribution est donc représentative des activités au quotidien de ladite personne.

Selon un mode de réalisation particulier, au moins une desdites deux autres valeurs de comparaison obtenues est sélectionnée selon au moins une règle de distribution de probabilités de variation cyclique,

Grâce à ce mode de réalisation, il est ainsi possible de sélectionner au moins une desdites deux autres valeurs de comparaison obtenues selon une règle de distribution de probabilité de variation cyclique. Cette sélection permet de comparer ladite valeur de comparaison courante avec au moins un ensemble d’autres valeurs de comparaison sur au moins une période correspondant aux acquisitions des données de l’activité de ladite personne selon une règle de distribution de probabilités de variation cyclique afin de contrôler l’activité de ladite personne. Cette caractéristique particulière de l’invention permet de sélectionner au moins un ensemble de valeurs de comparaison d’au moins une autre période/durée d’acquisition des données de la personne qui est antérieure à la période/durée courante, de façon à ce que cette au moins une autre période/durée d’acquisition des données de la personne soit choisie car elle est séparée temporellement de ladite période/durée courante par au moins un cycle temporel. Un cycle temporel est défini comme un jour ou vingt-quatre heures, une semaine, un mois, une année etc. Il se peut également que ladite au moins une autre période/durée d’acquisition des données de la personne ait une caractéristique similaire à celles de ladite période/durée courante. Une caractéristique similaire peut être un jour ou un mois similaire mais à une ou plusieurs années d’écart ou seulement un jour similaire mais à un ou plusieurs mois d’écart. Ce mode de réalisation permet de sélectionner comme référence, pour le contrôle de l’activité de ladite personne des périodes/durées similaires et précédant la période/durée courante. Ce mode de réalisation permet de suivre les variations d’activité de ladite personne de période/durée en période/durée comme par exemple tous les lundis ou bien toutes les premières semaines de chaque mois ou bien tous les mois de janvier de chaque année. Dans un mode de réalisation particulier, le procédé est en mesure de réaliser un calcul de probabilité prenant en compte plusieurs distributions de probabilités cycliques comme par exemple une distribution selon le jour (exemple tous les lundis) et une distribution selon la semaine (toutes les premières semaines de chaque mois). La détermination des distributions de probabilités cycliques utilisées par le procédé peut être choisie par une personne ou calculée par le procédé lui-même. Le procédé de l’invention mesure donc si des variations anormales de l’activité de la personne se produisent sur ladite période/durée courante comparée à d’autres périodes/durées similaires ou à contrario si les variations d’activités se trouvent dans la norme des variations constatées par le passé pour des périodes/durées similaires. Cette distribution est donc représentative des périodes/durées d’activités spécifiques, périodiques, comme les activités de loisirs, sportives ou culturelles programmées.

Selon un mode de réalisation particulier, ledit message comprend une information qualitative quant à l’autonomie de la personne.

Grâce à ce mode de réalisation, il est ainsi possible d’établir une information (ou notification) qualitative quant à l’autonomie de la personne et d’intégrer cette information dans le message à transmettre à l’équipement de la personne en charge de contrôler l’activité de la personne. Cette caractéristique particulière de l’invention permet d’obtenir une information qualitative du niveau d’autonomie de la personne en fonction des valeurs de probabilités calculées lors d’au moins une autre durée/période choisie selon au moins une règle de distribution de probabilités de variation cyclique et au moins une autre période/durée choisie selon au moins une règle de distribution de probabilités de variation continue. Ces deux valeurs de probabilités calculées selon des répartitions de probabilités différentes combinées entre elles permettent de donner une information qualitative sur l’état de la personne. Par exemple, si le procédé, à l’issue de l’étape de comparaison de la valeur de comparaison courante avec au moins deux autres valeurs de comparaison obtenues, détermine une forte probabilité d’apparition de ladite valeur de comparaison courante par rapport à une distribution de probabilités de variation cyclique et une faible probabilité d’apparition de ladite valeur de comparaison courante par rapport à une distribution de probabilités de variation continue, alors le procédé peut produire une information qualitative, par exemple textuelle, de l’état de la personne, une telle information pouvant être : «La personne réalise une activité exceptionnelle mais rien à signaler d’anormal dans ses routines.». C’est typiquement l’exemple d’une durée/période de congés où la personne modifie sensiblement ses habitudes mais sans pour autant que cela nécessite la mise en place de l’envoi d’un message car il n’y pas de changement majeur lié à l’autonomie de la personne. A contrario, si le procédé détermine une faible probabilité d’apparition de ladite valeur de comparaison courante par rapport à une distribution de probabilités de variation cyclique et une forte probabilité d’apparition de ladite valeur de comparaison courante par rapport à une distribution de probabilités de variation continue, alors le procédé peut produire une information qualitative, par exemple textuelle, de l’état de la personne qui peut être : «La personne dégrade ses routines au cours du temps – à surveiller.». C’est typiquement l’exemple d’une période où la personne continue au jour le jour de vivre de la même manière mais ne part plus en congés ou arrête certaines activités hebdomadaires (la séance hebdomadaire de sport par exemple) ou mensuelles (la sortie cinéma du mois).

L'invention concerne également un dispositif de communication adapté pour contrôler l’activité d’une personne, comprenant un module d’acquisition qui est configuré pour mettre en œuvre ce qui suit :

et comprenant un processeur configuré pour mettre en œuvre ce qui suit :

Un tel dispositif est notamment apte à mettre en œuvre le procédé de contrôle de l’activité d’une personne, selon l’un quelconque des modes de réalisation précités.

L'invention concerne encore un programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé de contrôle de l’activité d’une personne, selon l’un quelconque des modes particuliers de réalisation décrits précédemment, lorsque ledit programme est exécuté par un processeur.

De telles instructions peuvent être stockées durablement dans un support mémoire non transitoire du dispositif ou d’un serveur communiquant avec ledit dispositif.

Ce programme peut utiliser n’importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.

L’invention vise également un support d’enregistrement ou support d’informations lisible par un ordinateur, et comportant des instructions d’un programme d’ordinateur tel que mentionné ci-dessus.

Le support d'enregistrement peut être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple une clé USB ou un disque dur.

D'autre part, le support d'enregistrement peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon l'invention peut être en particulier téléchargé sur un réseau de type Internet.

Alternativement, le support d'enregistrement peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé de contrôle précité.

D’autres caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description suivante de modes de réalisation particuliers, donnés à titre de simples exemples illustratifs et non limitatifs, et des dessins annexés, parmi lesquels :

- la figure 1 représente les étapes d’un procédé de contrôle selon un mode de réalisation de l’invention,

- représente un mode de réalisation d’un dispositif de contrôle de l’activité d’une personne mettant en œuvre le procédé de la figure 1.

Principe général de l’invention

La présente invention propose un procédé de contrôle de l’activité d’une personne. Ce procédé permet la production d’indicateurs rendant compte de la conformité des activités de la personne au cours du temps. L’invention proposée s’appuie sur :

- La production d’un regroupement non supervisé de données (inertielles principalement, éventuellement rythme cardiaque, barométriques, GPS (Global Positionning System), etc.) enregistrées par un capteur;

- Le calcul de scores de comparaison, appelées aussi valeurs de similarité, entre le regroupement non supervisé sur des durées/périodes prédéfinies et un schéma type de la journée de la personne à suivre (proposé par la personne suivie ou une autre personne ou une machine) et la régression de distributions de probabilités sur les variations de ces scores d’une durée/période temporelle à une autre, c’est à dire la production de modèles permettant d’associer une probabilité à une variation de score;

- L’utilisation de ces probabilités ainsi que des variations de probabilités et de l’évolution de ces variations de probabilités dans le temps pour les transmettre à un équipement, permettant d’informer la personne suivie, la famille ou le corps médical sur le niveau d’autonomie de la personne suivie.

Le procédé selon l’invention peut être mis en œuvre par des dispositifs d’acquisition, de calcul et de communication regroupés ensemble dans un terminal, tel que par exemple un téléphone portable ou une montre connectée. L’avantage d’un tel procédé est qu’il n’utilise pas d’étiquette d’activité ou d’information intrusive concernant la vie privée de la personne, telle que des images vidéo ou des enregistrements sonores.

Modes particuliers de réalisation de l'invention

Il est décrit ci-après, en référence à la figure 1, un procédé de contrôle de l’activité d’une personne.

Un tel procédé se déroule de la manière suivante.

Dans un mode de réalisation de l’invention, une personne est équipée d’un dispositif d’acquisition de données (smartphone, montre connectée etc.) équipé d’au moins un capteur captant et enregistrant en continu sur le long-terme (plusieurs mois ou années) des données concernant la personne et son environnement, lesdites données étant enregistrées étant horodatées. Ces données (inertielles principalement dans le cas d’un smartphone ou d’une montre connectée, éventuellement rythme cardiaque, données barométriques, données GPS, données de connectivité, données sur les batteries, sur le bruit ambiant, sur la lumière ambiante etc.) sont stockées dans une base de données du dispositif d’acquisition de données.

Sur la figure 1, en P0, la personne dresse un emploi du temps grossier de sa journée type qu’on nomme aussi schéma initial S_INIT. Par exemple : 23h- 7h : dormir | 7h – 9h: petit-déjeuner | 9h – 12h : activités diverses | 12h -14 h : déjeuner | 14h – 15h : sieste | 15h -19h : activités diverses | 19h – 21h : dîner | 21h – 23 h: lecture. La durée du schéma initial S_INIT, appelée période du schéma initial, est de 24 heures dans cet exemple. Par contre, dans un autre mode de réalisation, la durée de la période du schéma initial S_INIT peut être différente d’un jour calendaire. Le schéma initial S_INIT peut être très peu personnalisé et représenter l’emploi du temps moyen d’une personne en France par exemple. Ce schéma initial S_INIT journalier peut varier suivant le jour de la semaine (par exemple le week-end le schéma est différent de celui des jours de semaine). Le schéma initial S_INIT peut être réalisé ou complété par tout autre personne en mesure de dresser un emploi du temps de la personne à suivre.

En P0’, le dispositif d’acquisition de données, par l’intermédiaire d’un ou plusieurs capteurs de signaux installés dans le dispositif, capte CAP_ et enregistre ENR_ en continu des données numériques décrivant les activités de la personne. Les données captées et enregistrées peuvent être des données de mouvement, des données sur l’activité cardiaque, ou toute donnée utile au diagnostic médical de ladite personne. Ces données sont horodatées dans une base de données selon leurs dates/heure/minute/seconde de captation par le dispositif. Préalablement ou ultérieurement à l’enregistrement, le procédé, en P1, collecte COL_, parmi les données captées ou enregistrées, les données d’intérêt à traiter. Cette collecte COL_ comprend tout procédé de collecte de données utiles à la mise en œuvre du procédé selon l’invention. Cela comprend la collecte des données produites en P0 et en P0’ mais aussi d’autres données de paramétrage nécessaires à la mise en œuvre de l’invention et qui seront détaillées plus loin dans la description. En P1’, le procédé réalise une sélection SELEC_ des données. Une telle sélection comprend la fusion de données issues de capteurs différents mais complémentaires (exemple des données inertielles du capteur d’inertie avec les données de localisation issues du GPS) ou du filtrage de ces données pour ne conserver que les données accéléromètriques, car seules ces données sont nécessaires pour les calculs ultérieurs mis en œuvre par le procédé selon l’invention. La définition d’un script de sélection SELEC_ des données est réalisée par le concepteur d’une solution sur la base de ce procédé ou peut être partiellement ou totalement paramétré par un utilisateur de cette solution. Cette sélection peut être réalisée avant, en parallèle ou après l’étape P1. Sur la figure 1, il est illustré un mode de réalisation où l’étape P1’ de sélection SELEC_est réalisée après l’étape P1 de collecte COL_. En P2, les données collectées sont organisées ORG_ en plusieurs échantillons de données selon leurs horodatages d’acquisition lors de l’étape de captation CAP_ des données ou bien lors de l’étape de collecte COL_ de données. Les échantillons de données peuvent avoir la même taille ou des tailles différentes, c'est-à-dire une taille de données différente, qu’elles soient de format binaire ou autre. Les échantillons de données peuvent représenter des données acquises pendant une durée égale ou différente pour chaque échantillon. Dans un exemple de réalisation, les échantillons de données sont de même taille (même volume de données) et représentent des données acquises pendant des durées équivalentes. Dans l’exemple de réalisation, les données sont regroupées dans des échantillons d’une heure comme suit: Echantillon 1 de 23h à 24h, Echantillon 2 de 0h à 1h, Echantillon 3 de 1h à 2h, etc. La longueur du créneau horaire peut être d’une ou plusieurs heures mais doit être d’une granularité plus fine que les différents créneaux horaires inclus dans le schéma initial. Par exemple, comme décrit en P0, la période/durée du schéma initial est de vingt-quatre heures et comprend huit créneaux horaires distincts. Dans ce cas, la période/durée de l’échantillon choisi par le procédé est d’une heure car elle est inférieure ou égale à l’ensemble de ces 8 créneaux et ces créneaux correspondent à un multiple de la période d’une heure. Par exemple, on peut utiliser deux créneaux d’une heure pour le comparer avec le créneau de l’activité «dîner» qui dure 2 heures comme on peut utiliser huit créneaux horaires pour les comparer avec le créneau correspondant à l’activité «dormir» qui dure 8 heures. En, P3, il est procédé à un premier classement CLAS_1 des données suivant l’appartenance des échantillons à certains créneaux horaires. Une première classe d’échantillons est alors obtenue. Pour ce faire, le procédé affecte une étiquette référençant l’horaire à chaque créneau. L’étiquette horaire identifie l’appartenance des échantillons à un créneau horaire du schéma initial.

En P4, il est procédé à un deuxième classement CLAS_2 des échantillons de données obtenus lors de l’étape P2 d’organisation temporelle ORG_ sur la période/durée courante (une semaine, un mois etc.) selon au moins une méthode de classification non supervisée de données. Une deuxième classe d’échantillons est alors obtenue. La période/durée courante est naturellement choisie par un praticien de santé qui souhaite suivre son patient, en l’occurrence ladite personne dont les activités sont à contrôler, mais il est possible que ce soit un algorithme ou une autre personne qui fixe cette periode/durée. Dans notre exemple, la période courante est d’une semaine. Les algorithmes de classement de données nécessitent souvent l’indication d’un nombre de regroupements de données à produire mais ce n’est pas indispensable comme, par exemple, les algorithmes nommés "partitionnement basé sur la densité" (density-based clusteringen anglais). Ce choix du nombre de regroupements peut se faire en fonction du nombre de moments de la journée délimités dans le schéma initial (huit dans notre exemple) ou selon une méthode de détermination du nombre optimal de regroupements telle que la méthode de silhouette. La silhouette est un indicateur qui renseigne à quel point les éléments d’un même regroupement de données sont compacts et éloignés des autres regroupements de données. Dans un exemple d’implémentation, ce classement de données est réalisé avec un algorithme type "partitionnement spectral" (spectral clusteringen anglais) qui repose sur le calcul des valeurs propres d’une matrice de distance, ici de distances entre des séquences de données organisées en échantillons lors de l’étape P2 d’organisation ORG_. La distance utilisée peut être la distance euclidienne pour les séquences de données, aussi appelée "déformation temporelle dynamique" (Dynamic Time Warpingen anglais), ou toute autre distance de la littérature. Dans un autre exemple de réalisation, des paires de séquences de données issues de l’étape P2 d’organisation ORG_ provenant de jours différents sont constituées. Si les séquences se sont vues affecter la même étiquette horaire, alors l’étiquette « similaire » est affectée à la paire. Sinon l’étiquette « dissimilaire » est affectée à la paire. Ces paires sont utilisées pour entraîner un réseau de neurones siamois récurrent qui produit une représentation et optimise une distance (euclidienne, cosinus, Mahalanobis etc.) pour que les paires similaires soient proches et les paires dissimilaires éloignées (méthode appelée aussi "apprentissage de métriques" oumetric learningen anglais) dans l’espace de projection. La métrique apprise est ensuite utilisée pour produire le classement de données. Cette méthode permet de produire a priori une méthode de classement de données plus adaptée à la personne puisque l’espace métrique a été appris sur les données de celle-ci. Cependant, elle nécessite l’acquisition de données en amont ainsi qu’un apprentissage du modèle sur la base de ces données acquises.

En P3’, sur la base de ces données organisées, d’autres traitements TRAIT_ peuvent être réalisés par le procédé de l’invention. Les traitements TRAIT_ comprennent, de façon non exhaustive, un filtrage passe-bas pour dé-bruiter l’information, une normalisation pour harmoniser les données, une standardisation des données, un ré-échantillonnage de données pour synchroniser les sources, une analyse en composantes principales etc. Sur la figure 1, l’étape P3’ de traitement TRAIT_ est réalisée après l’étape P3 de classement CLAS_1 et l’étape P4 de classement CLAS_2, mais l’étape P3’ peut être réalisée avant les étapes P3 et P4 ou en parallèle à ces dernières.

En P5, une comparaison COMP_ est réalisée entre la deuxième classe d’échantillons obtenue à l’issue du classement CLAS_2 réalisé en P4, selon au moins une méthode de classification non supervisée des échantillons de données sur la période/durée courante et la première classe d’échantillons obtenue à l’issue du classement CLAS_1 des échantillons par créneau horaire réalisé en P3 conformément au schéma initial. Cette comparaison COMP_ est donc répétée autant de fois que nécessaire afin de couvrir l’ensemble de la période/durée courante. Selon un exemple de réalisation, la comparaison COMP_ est réalisée sur sept périodes de schéma initial puisque le schéma initial a une durée de 24h et que la période/durée courante est de sept jours. Le procédé, via la mise en œuvre d’un algorithme, se charge donc de vérifier si la deuxième classe d’échantillons est conforme au schéma initial, c'est-à-dire si les échantillons de données sont bien répartis dans les créneaux horaires définis dans le schéma initial ou, à contrario, s’il existe une dispersion des échantillons de ces données dans plusieurs créneaux horaires, ce qui démontre un décalage entre l’activité réelle de la personne et le déclaratif de cette dernière selon le schéma initial. Pour calculer le niveau de conformité entre l’activité réelle mesurée via le regroupement d’échantillons de données selon la au moins une méthode de classification non supervisée et un déclaratif d’activité, il existe plusieurs méthodes comme le calcul d’une valeur. Cette valeur, dite valeur de comparaison, peut être calculée avec plusieurs méthodes connues de l’homme de l’art. On peut citer, pour exemple, la méthode nommée "information mutuelle normalisée" (Normalized Mutual Information– NMI, en anglais) ou sa version ajustée contre la chance "information mutuelle ajustée" (Adjusted Mutual Information– AMI, en anglais), ou la méthode de "complétude" (completenessen anglais) ou toute autre valeur permettant de comparer deux classes d’échantillons de données. Il n’est pas nécessaire que les deux classes d’échantillons de données aient le même nombre d’échantillons. La méthode de comparaison NMI rend compte de la conformité de la deuxième classe d’échantillons de données obtenue en P4 avec les données du schéma initial. Une variation de la deuxième classe d’échantillons de données par rapport au schéma initial montre donc l’évolution du comportement de la personne par rapport au schéma initial. La méthode de complétude évalue si les échantillons de la deuxième classe d’échantillons de données obtenue en P4 sont situés dans les mêmes créneaux de référence du schéma initial ou s’ils sont éparpillés dans différents créneaux du schéma initial. Il n’est pas indispensable d’utiliser une seule méthode de l’état de l’art. Le procédé est adapté pour réaliser une comparaison COMP_ des données en utilisant plusieurs des méthodes citées ci-dessus ou d’autres méthodes non décrites ici mais bien connues de l’homme de l’art.

En P6, le procédé, sur la base du calcul de la valeur de comparaison réalisé en P5 et d’autres valeurs de comparaison calculées préalablement sur des périodes/durées antérieures à ladite période/durée courante, calcule une probabilité PROB_ de changement de routines de ladite personne. Pour calculer cette probabilité PROB_, le procédé définit tout d’abord un ou plusieurs schémas d’analyse que l’on nomme des distributions de probabilités de variation. Dans un mode de réalisation particulier, il est défini deux distributions de probabilités de variation. La première est nommée « continue » D_CONT et la seconde est nommée « cyclique » D_CYCL. La première distribution continue D_CONT définit un ensemble de périodes/durées antérieures à ladite période/durée courante qui sont adjacentes les unes aux autres et également adjacentes à ladite période/durée courante. Par exemple, si ladite période/durée courante est la première semaine du mois de mai, alors une distribution de probabilités de variation continue peut être le mois précédent le mois de mai (le mois d’avril en l’occurrence) défini en quatre périodes d’une durée d’une semaine chacune. La seconde distribution «cyclique» D_CYCL définit un ensemble de périodes/durées antérieures à ladite période/durée courante, les périodes/durées de cet ensemble ayant une ou des caractéristiques communes avec la période/durée courante ou étant séparées par un cycle. La caractéristique commune est définie, dans le cas où la période de référence est un jour, le même jour de la semaine (le lundi par exemple, le cycle étant alors la semaine), ou bien le même jour d’un mois (le premier lundi du mois par exemple, le cycle étant alors le mois) ou bien le même jour d’une année (le 25^èmejour d’une année par exemple, le cycle étant alors l’année) ou bien une date précise d’une année correspondant à un évènement exceptionnel comme une date d’anniversaire ou la fête de Noël (dans ce cas le cycle est environ d’une année), etc. De même, si ladite période/durée courante est d’une semaine, alors la caractéristique commune peut être la première semaine d’un mois ou bien une semaine précise de l’année correspondant à des congés par exemple. Dans un mode de réalisation particulier, les périodes/durées qui sont définies dans la distribution de probabilités de variation cyclique peuvent être adjacentes les unes des autres. Par exemple, il est tout à fait possible de définir plusieurs périodes d’une semaine adjacentes les unes des autres afin de former une période de congés (exemple des congés d’été qui s’étalent souvent sur plusieurs semaines).

Selon la distribution exécutée par le procédé, le procédé acquiert l’ensemble des valeurs de comparaison des autres périodes/durées calculées préalablement et calcule des variations de ces valeurs de comparaison entre elles. Dans notre exemple, sur une distribution de probabilités de variation continue et avec une période/durée courante d’une semaine, le procédé estime les variations de semaine en semaine des valeurs de comparaison calculées pour les semaines précédentes. Le procédé crée donc une distribution de variations de valeurs de comparaison. Cette distribution est ensuite comparée avec la dernière variation entre la valeur de comparaison de ladite période/durée courante et la période/durée précédant ladite période/durée courante. Cette dernière variation se situe dans cette distribution plus ou moins proche d’une valeur médiane ou moyenne et le procédé est en mesure d’en déterminer une valeur de probabilité de conformité de cette dernière variation avec les variations des périodes/durées précédentes. Une fois quelques dizaines de variations enregistrées, les valeurs de probabilité qui correspondent le mieux aux observations peuvent être obtenues grâce à la méthode de «Parzen-Rosenblatt» (estimation par noyau) implémentée dans plusieurs bibliothèques. Cette méthode estime à partir des variations de valeurs de comparaison enregistrées la valeur de probabilité qui prédit le mieux ces valeurs. L’estimation sera d’autant plus précise qu’il y a de valeurs disponibles mais elle peut cependant être faite à partir d’un petit nombre de variations de valeurs de comparaison. Cette valeur de probabilité est représentative d’un changement ou non d’activités quotidiennes de ladite personne. En effet, dans notre exemple, si la valeur de probabilité est proche de un, cela démontre que les activités et changements d’activités de la personne durant la semaine de la période/durée courante sont conformes aux semaines précédentes, et donc que ladite personne démontre un comportement assez routinier et donc une autonomie forte. Par contre, si la valeur de probabilité est proche de zéro, cela démontre que les activités et changement d’activités de la personne durant la semaine de la période/durée courante sont non conformes aux semaines précédentes, et donc que ladite personne démontre un comportement peu routinier durant cette semaine et donc une autonomie faible. Dans un autre exemple, sur une distribution de probabilités de variation cyclique et avec une période/durée d’étude d’une semaine, le procédé estime les variations de chaque première semaine du mois pendant les deux dernières années car le procédé peu accéder aux informations de valeurs de comparaison calculées sur la base des données de ladite personne sur les deux dernières années. Le procédé crée donc une distribution de variations de valeurs de comparaison. Cette distribution est ensuite comparée avec la dernière variation entre la valeur de comparaison de ladite période/durée courante et la période/durée de la première semaine du mois précédant ladite période/durée courante. Cette dernière variation se situe dans cette distribution plus ou moins proche d’une valeur médiane ou moyenne et le procédé est en mesure d’en déterminer une valeur de probabilité de conformité de cette dernière variation avec les variations des premières semaines de chaque mois des deux dernières années. Cette valeur de probabilité est représentative d’un changement ou non de routines de ladite personne. En effet, dans notre exemple, si la valeur de probabilité est proche de un, cela démontre que les activités et changements d’activités de la personne durant la semaine de la période/durée d’étude sont conformes aux premières semaines de chaque mois depuis deux années et donc que ladite personne démontre un comportement assez routinier et donc une forte autonomie. Par contre, si la valeur de probabilité est proche de zéro, cela démontre que les activités et changements d’activités de la personne durant la semaine de la période/durée courante sont non conformes aux premières semaines de chaque mois depuis deux années, et donc que ladite personne démontre un comportement peu routinier et donc une faible autonomie. Pour plus de fiabilité dans les calculs réalisés, ces modes de réalisation peuvent être combinés entre eux afin que le procédé puisse calculer une valeur de probabilité prenant en compte les deux types de distribution: la distribution de probabilités de variation continue et la distribution de probabilités de variation cyclique.

En P7, le dispositif d’acquisition de données transmet TRANS_A un message à un équipement tel qu’un terminal utilisateur d’une personne en charge de contrôler l’activité de ladite personne, dans le cas où la probabilité de changement de routines de ladite personne est inférieure ou égale à un seuil ε prédéfini. Ce seuil ε peut être déterminé par une personne ou bien par le procédé lui-même. Comme le procédé peut calculer plusieurs valeurs de probabilité de changement de routines de ladite personne selon par exemple des distributions de probabilité différentes, alors le procédé peut utiliser autant de seuils que de valeurs de probabilités calculées. Le message transmis par le dispositif mettant en œuvre le procédé peut prendre toute forme possible (message texte, binaire, vidéo, audio etc.) et peut être transmis sur tout support de transmission possible (par câble, électromagnétique, par vibrations mécaniques etc.). Il peut s’agir par exemple d’un message électronique, d’un message de type SMS («Short Message Service»), etc…Un tel message a pour objectif de transmettre une alerte à un proche ou à un expert qui est en mesure de comprendre son contenu et de réagir en conséquence.

Il est à noter que la valeur de comparaison calculée en P4 peut varier de manière importante entre deux périodes car ladite personne se conforme plus ou moins à son schéma initial selon les aléas de la vie. Par exemple, si ladite personne part une semaine en vacances chez sa fille, la valeur de comparaison obtenue pour cette semaine et évaluée par rapport au schéma initial sera très différente d’une valeur de comparaison liée à une semaine de la vie courante. On comprend également bien que l’importance de ces variations ne peut suffire à décrire l’état de la personne. En effet, ce n’est pas parce que la semaine de vacances a déclenché une grande variation de valeur de comparaison que ladite personne a un comportement anomal nécessitant une alerte vers un proche ou un professionnel de santé. De même l’adéquation absolue au schéma initial reste forcément très imprécis et ne renseigne que très approximativement sur l’évolution de l’état de ladite personne suivie. Pour ces raisons, et dans un mode de réalisation particulier, en P7’, lesdits calculs de probabilité réalisés en P6 sont utilisés concomitamment par le procédé pour transmettre TRANS_inf des informations ou notifications qualitatives quant à l’état de la personne. Les valeurs de probabilités calculées en P6 intègrent également des informations qualitatives ou notifications quant à l’état ou l’autonomie de la personne. De telles informations ou notifications peuvent être positives, en contenant des encouragements par exemple, ou négatives, en contenant des alertes. Dans un exemple de réalisation, deux calculs de probabilités sont réalisés selon les deux distributions de probabilités décrites en P6 (distribution cyclique ou distribution continue). Le procédé définit ensuite deux seuils de probabilité ε1 et ε2 qui ont chacun une valeur inférieure à un. Ces seuils peuvent, par exemple, correspondre à des probabilités de valeurs inférieures ou supérieures à deux fois l’écart-type calculé par le procédé lors des calculs de probabilités selon les distributions de variations de valeurs de comparaison. Les seuils peuvent également être définis par une personne. Des interprétations sont alors proposées selon que les probabilités sont inférieures (donc rares) à ε1 ou ε2 ou bien supérieures (donc fréquentes), ainsi que du signe de leur variation dans le temps (probabilité à la baisse alors signe de la variation négatif, probabilité à la hausse alors signe de la variation positif). Voici un exemple [Table 1] d’interprétation pour la métrique NMI qui rend compte de la conformité de l’activité quotidienne d’une personne par rapport au schéma initial :

Cyclique / continue	Probabilité forte, signe positif	Probabilité faible, signe positif	Probabilité faible, signe négatif
Probabilité forte	Rien à Signaler	Rien à Signaler, voire léger regain	Rien à Signaler, période exceptionnelle
Probabilité faible, signe positif	Rien à Signaler, voire léger regain	Rien à Signaler, mais regain	Difficilement observable
Probabilité faible, signe négatif	Probablement dégradation au court du temps	Difficilement observable	Alerte

Il est possible de combiner les métriques NMI et «completeness» ou toute autre métrique de comparaison de classes d’échantillons pour avoir des interprétations plus riches. Ces interprétations peuvent être enrichies par l’apport d’expertise médicale.

Dans un mode de réalisation particulier, en P8, le procédé se met à jour MàJ en fonction du nouveau rythme de vie de la personne si celle-ci renseigne un nouveau schéma initial ou si des variations dont l’ampleur est de probabilité faible apparaissent trop souvent, c’est-à-dire beaucoup plus que la probabilité qui leur ait associée, nécessitant alors d’actualiser le modèle d’apprentissage et/ou les distributions de probabilités. D’autres éléments peuvent être mis à jour, comme par exemplela taille des échantillons de données, les distributions de probabilités cycliques ou continues, les valeurs de seuils d’alerte, etc.

Selon un mode particulier de réalisation de l'invention représenté à la figure 2, les actions exécutées par le procédé de contrôle de l’activité d’une personne qui vient d’être décrit ci-dessus sont mises en œuvre par un ensemble de dispositifs comprenant un dispositif d’acquisition de données D_ACQU, un dispositif de collecte de données D_COL, un dispositif de calcul D_CAL et un serveur ou une base de données D_SERV. Cependant, chacun des dispositifs cités plus haut peuvent être combinés entre eux et intégrés dans un unique dispositif non représenté sur la figure 2. Dans ce cas, les éléments de type mémoire, unités de traitement de données, processeur, modules de communication, programmes peuvent être partagés ou dédiés à une partie ou à l’ensemble des étapes du procédé. Il est également possible que les quatre dispositifs D_ACQU, D_COL, D_CAL, D_SERV soient intégré dans deux ou trois autres dispositifs et partagent également une partie ou la totalité des ressources matérielles de ces deux ou trois autres dispositifs et selon toutes les combinaisons possibles d’intégration de ces quatre dispositifs dans les deux ou trois autres dispositifs.

Le dispositif d’acquisition D_ACQU est par exemple un ordinateur ou un serveur. Pour cela, le dispositif d’acquisition D_ACQU a l'architecture classique d'un ordinateur et comprend notamment une mémoire MEM_ACQU, une unité de traitement UT_ACQU, équipée par exemple d'un processeur PROC_ACQU, et pilotée par le programme d'ordinateur PG_ACQU stocké en mémoire MEM_ACQU. Le programme d'ordinateur PG_ACQU comprend des instructions pour mettre en œuvre les actions d’acquisition des données issues du schéma initial S_INIT et/ou les données issues du au moins un capteur CAP lorsque le programme est exécuté par le processeur PROC_ACQU. Le au moins un capteur CAP acquiert en P0’ (figure 1) les données de ladite personne telles que des données de mouvement de ladite personne ou des données médicales telles que la fréquence cardiaque, la tension etc. A l'initialisation, les instructions de code du programme d'ordinateur PG_ACQU sont par exemple chargées dans une mémoire RAM (non représentée) avant d'être exécutées par le processeur PROC_ACQU. Le processeur PROC_ACQU de l'unité de traitement UT_ACQU met notamment en œuvre les actions d’acquisition des données décrites dans l’étape P0 et/ou P0’, selon les instructions du programme d'ordinateur PG_ACQU. Le dispositif d’acquisition D_ACQU comprend également une base de données BDD0 qui sauvegarde les données captées par le au moins un capteur CAP et éventuellement les données issues du schéma initial S_INIT produites en P0 et acquises par le dispositif D_ACQU. Le dispositif d’acquisition de données D_ACQU nécessite l’installation d’au moins un capteur CAP disposé de préférence sur ladite personne mais le procédé permet l’utilisation d’au moins un capteur CAP de type caméra de vidéosurveillance, ou microphone ou tout autre capteur installé sur des supports extérieurs à ladite personne.

Le dispositif de collecte de données D_COL est par exemple un ordinateur ou un serveur. Pour cela, le dispositif de collecte de données D_COL a l'architecture classique d'un ordinateur et comprend notamment une mémoire MEM_COL, une unité de traitement UT_COL, équipée par exemple d'un processeur PROC_COL, et pilotée par le programme d'ordinateur PG_COL stocké en mémoire MEM_COL. Le programme d'ordinateur PG_COL comprend des instructions pour mettre en œuvre l’étape P1 de collecte des données de la base de données BDD0 et éventuellement l’étape P1’ de sélection des données à traiter, ainsi que l’étape P2 de classement des données en échantillons de données qui sont décrites ci-dessus, lorsque le programme est exécuté par le processeur PROC_COL. A l'initialisation, les instructions de code du programme d'ordinateur PG_COL sont par exemple chargées dans une mémoire RAM (non représentée) avant d'être exécutées par le processeur PROC_COL. Le dispositif d’acquisition D_COL comprend également des mémoires ou emplacements mémoire MEM0, MEM1, MEM2 afin de sauvegarder temporairement les données obtenues respectivement à l’issue des étapes P1, P1’ et P2 et de restituer les données sélectionnées et organisées au dispositif de calcul D_CAL lors des étapes mises en œuvre à la suite de l’étape P2. Dans un mode de réalisation particulier, les mémoires MEM0, MEM1, MEM2 sont des emplacements mémoire de la mémoire MEM_COL.

Le dispositif de calcul de données D_CAL est par exemple un ordinateur. Pour cela, le dispositif de calcul de données D_CAL a l'architecture classique d'un ordinateur et comprend notamment une mémoire MEM_CAL, une unité de traitement UT_CAL, équipée par exemple d'un processeur PROC_CAL, et pilotée par le programme d'ordinateur PG_CAL stocké en mémoire MEM_CAL. Le programme d'ordinateur PG_CAL comprend des instructions pour mettre en œuvre les étapes suivantes du procédé de contrôle de l’activité d’une personne selon l’invention, lorsque le programme est exécuté par le processeur PROC_CAL:

P2 d’organisation des données en échantillons de données,
P3 de classement desdits échantillons par créneau horaire,
P4 de classement desdits échantillons selon au moins une méthode de classification non supervisée de données,
P3’ de traitements divers sur les données desdits échantillons,
P5 de comparaison des échantillons et de calcul d’une valeur de comparaison,
P6 de calcul d’une probabilité de changement de routines,
P7 et P7’ de transmission d’une alerte et/ou d’un message qualitatif à destination d’une autre machine,
P8 de mise à jour des données nécessaire au bon fonctionnement du procédé décrit ci-dessus.

A l'initialisation, les instructions de code du programme d'ordinateur PG_CAL sont par exemple chargées dans une mémoire RAM (non représentée) avant d'être exécutées par le processeur PROC_CAL. Le processeur PROC_CAL de l'unité de traitement UT_CAL met notamment en œuvre les étapes P2, P3, P4, P3’, P5, P6, P7, P7’ et P8 telles que décrites ci-dessus en liaison avec la figure 1, selon les instructions du programme d'ordinateur PG_CAL.

Le serveur D_SERV est par exemple un serveur réseau équipé d’une base de données. Pour cela, le serveur D_SERV a l'architecture classique d'un ordinateur et comprend notamment une mémoire MEM_SERV, une unité de traitement UT_SERV, équipée par exemple d'un processeur PROC_SERV, et pilotée par un programme d'ordinateur PG_SERV stocké en mémoire MEM_SERV. Le programme d'ordinateur PG_SERV comprend des instructions pour communiquer avec le dispositif de calcul D_CAL et/ou d’autres dispositifs tels que le dispositif d’acquisition D_ACQU ou le dispositif de collecte D_COL, sur demande de ces dispositifs, afin de transmettre des données nécessaires à l’ensemble des étapes décrites ci-dessus en relation avec la figure 1, lorsque le programme est exécuté par le processeur PROC_SERV. A l'initialisation, les instructions de code du programme d'ordinateur PG_SERV sont par exemple chargées dans une mémoire RAM (non représentée) avant d'être exécutées par le processeur PROC_SERV. Le serveur D_SERV comprend au moins une base de données BDD1 qui sauvegarde les données nécessaires au dispositif de calcul D_CAL.

Le serveur D_SERV est en mesure de sauvegarder en continu ou par intermittences les données résultantes de l’ensemble des étapes décrites dans la figure 1 du procédé d’alerte sur l’autonomie d’une personne par l’analyse de ses changements de routines dans la base de données BDD1 et donc créer un référentiel adapté aux étapes réalisées par D_CAL.

Dans un autre mode de réalisation, les données sauvegardées dans le serveur D_SERV peuvent avoir subi préalablement plusieurs traitements par le dispositif D_COL et/ou D_CAL selon le procédé de l’invention avant d’être sauvegardées, comme des opérations de classement, de traitement et de formatage etc. Ces opérations permettent de disposer d’une information déjà traitée pour une analyse temps réel efficace par le dispositif de calcul D_CAL et/ou le dispositif de collecte de données D_COL. De plus, les résultats de calcul de valeur de comparaison et/ou de probabilités déjà effectués peuvent être également sauvegardés afin d’être utilisés par le dispositif de calcul D_CAL pour les étapes P6, P7 et P7’ du procédé décrit ci-dessus. Les distributions de probabilités de variation continue D_CONT et distributions de probabilités de variation cyclique D_CYCL sont également sauvegardées soit dans la base de données BDD0 du dispositif d’acquisition D_ACQU, soit dans la mémoire MEM0 du dispositif de collecte D_COL, soit dans la mémoire MEM_CAL du dispositif de calcul D_CAL ou préférentiellement dans la base de données BDD1 du serveur D_SERV.

En fonction du mode de réalisation, le dispositif d’acquisition de données D_ACQU, et le au moins un capteur CAP peuvent être interconnectés et échanger des données sur une ou plusieurs liaison(s) de communication, en utilisant un ou plusieurs réseaux de différents types et différents protocoles. Des exemples de réseau sont un réseau fixe, un réseau cellulaire (par exemple selon la norme 2G (GSM, GPRS, EDGE), 3G (UMTS), 4G (LTE), LTE-A, LTE-M, WCDMA, CDMA2000, HSPA, 5G, ou leurs variantes ou évolutions, un autre type de réseau radio (par ex. WiFi® ou Bluetooth®), un réseau IP, une combinaison de plusieurs de ces réseaux, etc. Pour cela, le dispositif d’acquisition de données D_ACQU et le au moins un capteur CAP seront configurés avec des moyens de communication de données adaptés (respectivement COM_ACQU sur la figure 2 et un module de communication COM_CAP de l’ensemble de capteurs non représenté sur la figure 2).

En fonction du mode de réalisation, le dispositif d’acquisition de données D_ACQU, le dispositif de collecte des données D_COL, le dispositif de calcul des données D_CAL ainsi que le serveur D_SERV peuvent être interconnectés et échanger des données sur une ou plusieurs liaison(s) de communication, en utilisant un ou plusieurs réseaux de différents types (« Réseau » sur la figure 2) et différents protocoles. Des exemples de réseau sont un réseau fixe, un réseau cellulaire (par exemple selon la norme 2G (GSM, GPRS, EDGE), 3G (UMTS), 4G (LTE), LTE-A, LTE-M, WCDMA, CDMA2000, HSPA, 5G, ou leurs variantes ou évolutions), un autre type de réseau radio (par ex. WiFi® ou Bluetooth®), un réseau IP, une combinaison de plusieurs de ces réseaux, etc. Pour cela, le dispositif d’acquisition de données D_ACQU, le dispositif de collecte des données D_COL, le dispositif de calcul des données D_CAL ainsi que le serveur D_SERV seront configurés avec des moyens de communication de données adaptés (respectivement COM_ACQU, COM_COL, COM_CAL et COM_SERV sur la figure 2). Afin de généraliser les différentes possibilités de calcul des étapes du procédé de contrôle, et selon respectivement différents modes particuliers de réalisation de l'invention non représentés par un schéma, chaque étape du procédé, hormis les étapes P0 et P0’, peut être réalisée respectivement par le dispositif de collecte D_COL, par le dispositif de calcul D_CAL ou par le serveur D_SERV de manière à représenter toutes les combinaisons possibles de ces étapes entre ces différents dispositifs.

Il va de soi que les modes de réalisation qui ont été décrits ci-dessus ont été donnés à titre purement indicatif et nullement limitatif, et que de nombreuses modifications peuvent être facilement apportées par l’homme de l’art sans pour autant sortir du cadre de l’invention.

Claims

Procédé de contrôle de l’activité d’une personne, comprenant ce qui suit au niveau d’un dispositif de communication:
- acquérir un ensemble de créneaux horaires, un créneau horaire correspondant à une activité particulière pratiquée par ladite personne dans ledit créneau horaire,
- acquérir (P1) des données représentant différentes activités de ladite personne sur une durée donnée, lesdites données étant horodatées,
- organiser (P2) lesdites données acquises en au moins deux échantillons de données selon leurs horodatages respectifs, lesdits au moins deux échantillons étant classés dans au moins un créneau horaire dudit ensemble de créneaux horaires, générant une première classe d’échantillons,
- classer (P4) lesdits au moins deux échantillons selon au moins une méthode de classification non supervisée, générant une deuxième classe d’échantillons,
- comparer (P5) les première et deuxième classes entre elles, délivrant une valeur de comparaison,
- comparer (P6) la valeur de comparaison, avec au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins deux autres durées,
-transmettre (P7; P7’) un message à un équipement selon le résultat de ladite comparaison de ladite valeur de comparaison avec au moins les deux autres valeurs de comparaison.
Procédé selon la revendication 1, dans lequel ladite comparaison de la valeur de comparaison avec au moins les deux autres valeurs de comparaison obtenues comprend un calcul d’une valeur de probabilité d’apparition de la valeur de comparaison selon lesdites au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins lesdites deux autres durées.
Procédé selon la revendication 2, dans lequel au moins une desdites deux autres valeurs de comparaison obtenues est sélectionnée selon une règle de distribution de probabilités de variation continue.
Procédé selon la revendication 2, dans lequel au moins une desdites deux autres valeurs de comparaison obtenues est sélectionnée selon au moins une règle de distribution de probabilités de variation cyclique.
Procédé selon la revendication 1, dans lequel, ledit message comprend une information qualitative quant à l’autonomie de la personne.
Dispositif de communication adapté pour contrôler l’activité d’une personne, comprenant un module d’acquisition qui est configuré pour mettre en œuvre ce qui suit :
- acquérir un ensemble de créneaux horaires, un créneau horaire correspondant à une activité particulière pratiquée par ladite personne dans ledit créneau horaire,
- acquérir des données représentant différentes activités de ladite personne sur une durée donnée, lesdites données étant horodatées,
et comprenant un processeur configuré pour mettre en œuvre ce qui suit :
- organiser lesdites données acquises en au moins deux échantillons de données selon leurs horodatages respectifs, lesdits au moins deux échantillons étant classés dans au moins un créneau horaire dudit ensemble de créneaux horaires, générant une première classe d’échantillons,
- classer lesdits au moins deux échantillons selon au moins une méthode de classification non supervisée, générant une deuxième classe d’échantillons,
- comparer les première et deuxième classes entre elles, délivrant une valeur de comparaison,
- comparer la valeur de comparaison, avec au moins deux autres valeurs de comparaison obtenues pour ledit au moins un créneau horaire, sur respectivement au moins deux autres durées,
-transmettre un message à un équipement selon le résultat de ladite comparaison de ladite valeur de comparaison avec au moins les deux autres valeurs de comparaison.
Programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé de contrôle de l’activité d’une personne, selon l’une quelconque des revendications 1 à 5, lorsque ledit programme est exécuté par un processeur.
Support d’enregistrement ou support d’informations lisible par un ordinateur, et comportant des instructions d’un programme d’ordinateur selon la revendication 7.