FR3106234A1 - Procédé et dispositif d’analyse de la motricité fine - Google Patents
Procédé et dispositif d’analyse de la motricité fine Download PDFInfo
- Publication number
- FR3106234A1 FR3106234A1 FR2000383A FR2000383A FR3106234A1 FR 3106234 A1 FR3106234 A1 FR 3106234A1 FR 2000383 A FR2000383 A FR 2000383A FR 2000383 A FR2000383 A FR 2000383A FR 3106234 A1 FR3106234 A1 FR 3106234A1
- Authority
- FR
- France
- Prior art keywords
- accessory
- finger
- course
- completion
- score
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000013179 statistical model Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims description 26
- 238000001514 detection method Methods 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 7
- 208000019246 Developmental coordination disease Diseases 0.000 description 6
- 208000019896 Motor Skills disease Diseases 0.000 description 6
- 230000006399 behavior Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 208000035475 disorder Diseases 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 208000029726 Neurodevelopmental disease Diseases 0.000 description 4
- 230000001149 cognitive effect Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 206010044565 Tremor Diseases 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006735 deficit Effects 0.000 description 3
- 230000002452 interceptive effect Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000001225 therapeutic effect Effects 0.000 description 3
- 208000006096 Attention Deficit Disorder with Hyperactivity Diseases 0.000 description 2
- 206010003805 Autism Diseases 0.000 description 2
- 208000020706 Autistic disease Diseases 0.000 description 2
- 208000019430 Motor disease Diseases 0.000 description 2
- 208000027089 Parkinsonian disease Diseases 0.000 description 2
- 206010034010 Parkinsonism Diseases 0.000 description 2
- 208000010877 cognitive disease Diseases 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 206010058319 dysgraphia Diseases 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 201000003723 learning disability Diseases 0.000 description 2
- 210000003205 muscle Anatomy 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 201000002882 Agraphia Diseases 0.000 description 1
- -1 Huntington's Diseases 0.000 description 1
- 208000018737 Parkinson disease Diseases 0.000 description 1
- 208000034189 Sclerosis Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 210000001097 facial muscle Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036449 good health Effects 0.000 description 1
- 208000013403 hyperactivity Diseases 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 210000000936 intestine Anatomy 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010339 medical test Methods 0.000 description 1
- 230000007659 motor function Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 239000008188 pellet Substances 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 201000000980 schizophrenia Diseases 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
« Procédé et dispositif d’analyse de la motricité fine » Procédé d’acquisition et d’analyse de la motricité fine d’un individu, comportant les étapes suivantes : a) présentation d’au moins un parcours sur un support, invitant l’individu à effectuer un mouvement libre avec au moins un doigt et/ou un accessoire sur le support, ce mouvement étant lié au parcours présenté, b) enregistrement d’une durée de réalisation d’au moins une partie du parcours, c) enregistrement des positions successives du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours, d) analyse des enregistrements pour générer au moins une variable aléatoire décrivant les positions successives selon un modèle statistique prédéfini, e) génération d’un score représentatif de la motricité fine, à partir d’au moins la durée de réalisation d’au moins une partie du parcours et d’une mesure statistique de la variable aléatoire, caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans l’enregistrement des positions successives. Figure pour l’abrégé : Fig. 3
Description
La présente invention concerne le domaine de l’analyse de données relatives au domaine des neurosciences cognitives et comportementales. L’invention concerne plus particulièrement un procédé d’analyse de la motricité fine par l’acquisition et l’analyse des mouvements d’un individu, et un dispositif permettant de mettre en œuvre ce procédé.
La motricité fine correspond à l’exécution de gestes précis, notamment grâce à des muscles des doigts, et plus généralement de la main, ou du visage et au contrôle musculaire des muscles concernés. La préhension et la manipulation de petits objets, la réalisation de gestes minutieux, comme le dessin ou l’écriture, ou encore le contrôle de muscles faciaux constituent des exemples correspondant à la motricité fine.
Des méthodes d’analyse de la motricité fine de la main chez l’enfant, présentes dans la littérature, permettent le repérage de troubles neurodéveloppementaux. En effet, les publicationsHandwriting performance in children with attention deficit hyperactivity disorder (ADHD ), rédigée par M. Racine et al.,Children with autism show specific handwriting impairments, rédigée par C. Fuentes et al.,Clinical description of children with developmental coordination disorder, rédigée par L. Miller et al.,Fine motor deficiencies in children with developmental coordination disorder and learning disabilities, rédigée par B. Smits-Engelsman et al., ou encoreHandwriting process and product characteristics of children diagnosed with developmental coordination disorder ,rédigée par S. Rosenblum, exploitent la dysgraphie, trouble de l’expression par l’écrit, dans le but de repérer des troubles neurodéveloppementaux tels qu’un déficit de l’attention avec ou sans hyperactivité, des troubles du spectre autistique, ou des troubles d’acquisition de la coordination. Ces méthodes sont basées sur l’analyse de l’écriture chez des enfants étant notamment en classes de primaire, c’est-à-dire sachant écrire. Or l’écriture est un geste complexe et codifié. De plus, l’évolution de l’apprentissage de l’écriture peut durer plus de dix ans, comme cela est décrit dans les publicationsHandwriting development, rédigée par K.P. Feder et al. etFactors that relate to good and poor handwriting, rédigée par H. Cornhill et al. Ces méthodes ne permettent donc pas le repérage précoce de troubles neurodéveloppementaux.
Des publications décrivent également des analyses de l’écriture pour détecter des maladies, telles que Parkinson, Huntington, la schizophrénie, la sclérose, ou divers types de dépression. En particulier, les publicationsParkinsonism reduces coordination of fingers , wrist , and arm in fine motor control, rédigée par H.L. Teulings etSpiral analysis : a new Technique for measuring Tremor with a Digitizing Tablet, rédigée par S.L. Pullman analysent des tracés de spirales d’Archimède, de cercles concentriques ou de textes manuscrits afin de repérer la maladie de Parkinson, notamment basées sur des paramètres spatio-temporels, des durées de mouvements, des vitesses et/ou la fluidité des mouvements. Cependant, les analyses décrites dans les publications ci-dessus visent à mettre en évidence une maladie en particulier, à savoir Parkinson, et ciblent une population en particulier, à savoir les personnes âgées.
En conséquence, il existe un besoin pour bénéficier d’une méthode permettant le repérage précoce de comportements atypiques, notamment des troubles neurodéveloppementaux, pour des personnes de tout âge, pouvant être réalisé facilement et non uniquement dans un contexte clinique.
L’invention vise à répondre à ce besoin et elle y parvient, selon l’un de ses aspects, grâce à un procédé d’acquisition et d’analyse de la motricité fine d’un individu, comportant les étapes suivantes:
- présentation d’au moins un parcours sur un support, invitant l’individu à effectuer un mouvement libre avec au moins un doigt et/ou un accessoire sur le support, ce mouvement étant lié au parcours présenté,
- enregistrement d’une durée de réalisation d’au moins une partie du parcours,
- enregistrement des positions successives du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours,
- analyse des enregistrements pour générer au moins une variable aléatoire décrivant les positions successives du doigt et/ou de l’accessoire selon un modèle statistique prédéfini,
- génération d’un score représentatif de la motricité fine, à partir d’au moins la durée de réalisation d’au moins une partie du parcours et d’une mesure statistique de la variable aléatoire, caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans l’enregistrement des positions successives du doigt et/ou de l’accessoire.
Un tel procédé est mis en œuvre avec des moyens informatiques. L’enregistrement s’effectue dans une mémoire informatique, et l’analyse et la génération du score sont effectuées informatiquement.
L’invention repose sur une modélisation statistique du mouvement effectué par l’individu avec le doigt et/ou l’accessoire lors de la réalisation du parcours. La mesure statistique issue de cette modélisation permet de mettre en évidence des fonctions cognitives et motrices d’un individu, comme l’attention, la planification et la mémorisation, qui sont des marqueurs importants de bonne santé.
L’invention permet de détecter simplement et rapidement la présence éventuelle de pathologies, notamment en mettant en évidence une évolution atypique chez l’enfant, un déclin anormal chez la personne âgée, ou une progression ou régression au cours d’un traitement thérapeutique.
L’un des avantages du procédé selon l’invention est qu’il permet le repérage précoce de troubles cognitifs et/ou moteurs via l’analyse de la motricité fine indépendamment de l’âge, de la langue ou du niveau de maîtrise de l’écriture.
Le parcours peut en particulier être réalisé sans instruction et sans connaissance particulière, facilitant sa réalisation par n’importe quel individu. De plus, le parcours peut être réalisé à distance par l’individu, par exemple chez lui ou à l’école, et ne nécessite pas un déplacement chez un spécialiste de santé.
L’analyse du mouvement effectué permet notamment de mettre en évidence des hésitations ou des erreurs lors de la réalisation d’au moins une partie du parcours.
Le mouvement peut être analysé notamment grâce à l’enregistrement des positions du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours. L’enregistrement de vitesses et/ou d’accélérations du mouvement du doigt et/ou de l’accessoire et/ou l’enregistrement de pressions du doigt et/ou de l’accessoire sur le support et/ou l’enregistrement d’inclinaisons du doigt et/ou de l’accessoire par rapport au support lors de la réalisation d’au moins une partie du parcours peuvent permettre une analyse plus fine du mouvement. Les inclinaisons du doigt et/ou l’accessoire peuvent être acquises par analyse d’images avec éventuellement des marqueurs optiques fixés sur le doigt et/ou l’accessoire (pastilles colorées, réfléchies, émetteurs lumineux), et/ou l’accessoire peut comporter éventuellement un accéléromètre. De préférence, l’acquisition des enregistrements est réalisée avec une fréquence d’échantillonnage constante. De préférence la au moins une partie du parcours correspond au parcours dans son ensemble.
La réalisation de plusieurs parcours pouvant avoir un degré de difficulté variable permet de caractériser plus précisément les capacités cognitives et/ou motrices de l’individu.
La modélisation statistique de ces enregistrements permet de réaliser l’analyse grâce à une quantification des caractéristiques du mouvement comme la fluidité et/ou la maîtrise du mouvement, via notamment la détermination d’une mesure statistique.
Modélisation statistique
La mesure statistique peut être une mesure d’entropie, notamment une entropie multi-échelle, une entropie approximative, une «sample entropy», une entropie de Tsallis ou une entropie différentielle.
L’entropie permet en effet de mesurer le désordre et l’incertitude des gestes effectués par l’individu lors de la réalisation du parcours.
La mesure statistique peut également être définie à partir d’une mesure de chaos, notamment une mesure de dimensions fractales ou une mesure d’exposant de Lyapunov.
De préférence, la mesure statistique est une entropie différentielle, pouvant être décrite par la formule suivante:
fétant la densité de probabilité de X, une variable aléatoire.
La densité de probabilité de la variable aléatoire peut être estimée par un modèle statistique, en particulier par un mélange de gaussiennes (GMM). L’entropie différentielle peut alors être définie par
où ∑ est la matrice de covariance et N la dimension des gaussiennes, par exemple égale à 2, correspondant par exemple à la dimension des coordonnées des positions du doigt et/ou de l’accessoire. Le nombre de gaussiennes peut être déterminé de manière à limiter le temps de calcul de la mesure statistique tout en conservant une quantité d’information contenue dans l’enregistrement suffisante pour l’analyse. Le mélange de gaussiennes comporte par exemple 30 gaussiennes ou plus.
La mesure d’entropie différentielle d’une gaussienne est liée à sa variance et quantifie la dispersion de la distribution gaussienne. Un mouvement désordonné aura donc une mesure d’entropie élevée, contrairement à un geste fluide. La variance peut être définie comme mesure statistique, de même qu’une moyenne ou tout autre valeur relative au modèle statistique.
Alternativement, le modèle statistique peut être un modèle de Markov caché, caractérisé par un nombre d’états S. Les états peuvent correspondre à des portions de réalisation du parcours, c’est-à-dire à une position ou un ensemble de positions successives du doigt et/ou de l’accessoire. Le nombre d’états S peut dépendre de la durée de réalisation du parcours par l’individu. Les états peuvent correspondre à des portions de réalisation du parcours s’étendant chacune sur la même durée et/ou les états peuvent comporter le même nombre de positions successives du doigt et/ou de l’accessoire. Ainsi, plus la durée de réalisation est longue, plus le nombre d’états S est grand.
Alternativement, le nombre d’états S peut être prédéfini. Les états peuvent notamment comporter un nombre de positions successives du doigt et/ou de l’accessoire différent, et/ou correspondre à des portions de réalisation du parcours s’étendant sur des durées variables.
Une mesure statistique intermédiaire peut être calculée pour chacun des états S et/ou une durée intermédiaire de réalisation peut être enregistrée pour chaque état du modèle de Markov caché. La mesure statistique peut être définie à partir des mesures statistiques intermédiaires et/ou la durée de réalisation peut être définie à partir des durées intermédiaires. Un score intermédiaire représentatif de la motricité fine peut être généré pour chaque état du modèle de Markov caché, à partir d’au moins la durée intermédiaire de la portion correspondant à l’état et la mesure statistique intermédiaire calculée pour l’état, le score pouvant être défini à partir des scores intermédiaires, des mesures statistiques intermédiaires, et/ou des durées intermédiaires. L’analyse de la motricité fine est avantageusement plus fine et précise, permettant de localiser la ou les portions du parcours où l’individu a eu un comportement atypique.
Calcul du score
La mesure statistique en combinaison avec au moins la durée de réalisation du parcours permet avantageusement de générer le score représentatif de la motricité fine.
Cependant, le score de l’individu peut varier en fonction du parcours réalisé par l’individu, dépendant par exemple de la difficulté du parcours, des conditions de réalisation du parcours, de la prise en main de l’accessoire, ou de la compréhension de l’objectif du parcours. Les étapes a), b), c), d) et e) sont avantageusement répétées plusieurs fois pour le même individu, de préférence entre 2 et 40 fois, mieux entre 10 et 30, encore mieux environ 20 fois. Un score moyen peut alors être calculé à partir des scores de chaque étape e).
En variante, les étapes a), b) et c) sont répétées plusieurs fois pour un même individu, et les étapes d) et e) sont réalisées une unique fois à partir des enregistrements des étapes b) et c) répétées plusieurs.
De préférence, la somme des durées de réalisation de l’étape b) est inférieure à 10 minutes. La concentration de l’individu peut baisser lorsque la réalisation d’au moins une partie du parcours ou de plusieurs parcours dure trop longtemps.
L’analyse de plusieurs réalisations de parcours permet d’obtenir un score global de la motricité fine de l’individu caractérisant plus fidèlement ses capacités motrices et cognitives.
Des paramètres, autres que les positions successives et la durée, peuvent permettre de caractériser plus précisément la motricité fine de l’individu, améliorant encore davantage l’analyse. En effet, un mouvement ayant une vitesse constante lors de la réalisation du parcours est en particulier représentatif d’un mouvement maîtrisé. Ainsi, une analyse plus fine du mouvement est par exemple réalisée par un ou des enregistrement(s) supplémentaires, de vitesses et/ou d’accélérations du doigt et/ou de l’accessoire et/ou de pressions du doigt et/ou de l’accessoire sur le support et/ou d’inclinaisons du doigt et/ou de l’accessoire par rapport au support lors de la réalisation du parcours, le score étant généré au moins à partir de cet ou ces enregistrement(s).
De préférence, on procède à l’analyse du ou des enregistrement(s) de manière à générer au moins une variable aléatoire décrivant la vitesse et/ou une variable aléatoire décrivant l’accélération et/ou une variable aléatoire décrivant la pression du doigt et/ou de l’accessoire et/ou une variable aléatoire décrivant l’inclinaison du doigt et/ou de l’accessoire par rapport au support selon au moins un modèle statistique prédéfini, le score généré à l’étape e) étant calculé à partir d’au moins une mesure statistique de la au moins une variable aléatoire caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans le ou les enregistrement(s) des vitesses, accélérations, pressions ou inclinaisons du doigt et/ou de l’accessoire.
Analyse
du score
Le repérage de comportements atypiques est de préférence réalisé par comparaison du score représentatif de la motricité fine avec au moins un score de référence. Le score de référence est par exemple un score moyen.
Le score peut être comparé à des scores enregistrés dans une base de données. Ces scores enregistrés peuvent être issus de mises en œuvre du procédé selon l’invention.
La comparaison peut en particulier être réalisée en calculant un z-score puis en effectuant un seuillage; le z-score exprimant l’écart par rapport à la moyenne, le seuillage permet alors de mettre en évidence des écarts importants par rapport à cette moyenne.
La comparaison peut être également réalisée au moyen d’une méthode d’apprentissage automatique, notamment une méthode de classification, par exemple K-moyennes, classification hiérarchique, GMM (Gaussian Mixture Model), k-medoids, DBSCAN (density-based spatial clustering of applications with noise), k plus proche voisins, random forest (forêt d’arbres décisionnels), méthode des graphes. Les méthodes de classification peuvent être supervisées ou non. Cette liste n’est pas limitative.
La comparaison est de préférence réalisée pour comparer des scores d’individus sensiblement similaires, notamment en termes d’âge, d’éducation, et/ou de langue.
La comparaison est de préférence réalisée pour des degrés de difficulté de parcours sensiblement similaires et/ou pour des parcours identiques.
La comparaison peut également être réalisée pour un même individu effectuant par exemple différents parcours, et/ou réalisant un ou plusieurs parcours à différents moments dans le temps. Ces différents moments dans le temps peuvent correspondre à un moment avant traitement et un moment après traitement. Une évolution de la motricité fine de l’individu peut être déterminée grâce à la comparaison des scores issus des réalisations du parcours aux différents moments dans le temps.
La comparaison peut être réalisée à partir de scores intermédiaires, permettant l’identification des portions comportant un comportement atypique de l’individu.
Une alerte peut être générée en fonction du résultat de la comparaison, par exemple dans le but de réaliser une analyse plus fine a posteriori, par exemple en présentant à l’individu des parcours différents pouvant être de difficultés différentes; l’alerte pouvant être communiquée, par exemple automatiquement par email, sms, en étant affichée sur le support et/ou enregistrée dans une base de données, à un spécialiste des troubles cognitifs et/ou moteurs, à un médecin, à une personne en charge de l’individu, à l’individu et/ou un proche de l’individu.
La génération du score, la comparaison et/ou la génération d’une alerte peuvent être réalisées à distance de la réalisation du parcours et de la détection des positions successives et/ou de la durée de réalisation d’au moins une partie du parcours.
Parcours
Le parcours peut être généré aléatoirement et/ou être enregistré.
Le parcours présenté peut être un labyrinthe.
Un labyrinthe définit de préférence un trajet unique reliant un point de départ à un point d’arrivée. Le labyrinthe peut comporter au moins un chemin sans issue. De préférence, le labyrinthe comporte plusieurs chemins sans issue.
On peut notamment sélectionner un degré de difficulté, le nombre de chemins sans issue du labyrinthe augmentant avec le degré de difficulté.
Alternativement, le parcours est un ensemble de points à relier. De préférence, les points sont à relier dans un ordre prédéterminé. En particulier, chaque point peut contenir une information telle qu’un chiffre et/ou une lettre, définissant notamment l’ordre dans lequel les points sont à relier. L’ensemble de points à relier peut contenir un seul type d’informations, par exemple uniquement des points contenant des chiffres ou uniquement des points contenant des lettres, ou différents types d’informations, par exemple des points contenant des chiffres et des points contenant des lettres. Les points peuvent contenir d’autres types d’informations comme des opérations mathématiques, des couleurs, des formes. Des instructions, par exemple audio ou écrites, peuvent le cas échéant être diffusées pour guider l’individu dans son parcours.
La sélection d’un degré de difficulté peut définir le nombre de points à relier et/ou le type d’information contenue dans les points à relier et/ou le nombre de types d’informations différents contenus dans l’ensemble des points à relier, le nombre de points à relier et/ou le nombre de types d’informations augmentant avec le degré de difficulté.
L’avantage de ces parcours est qu’ils peuvent facilement être mis en œuvre, autant sur papier que sur un dispositif numérique.
La présentation du parcours peut comporter son affichage sur le support. En particulier, la présentation comporte l’affichage du parcours, notamment un labyrinthe ou un ensemble de points, sur un écran, l’écran étant de préférence tactile. Une trace de la trajectoire du doigt et/ou de l’accessoire peut optionnellement être affichée sur le support. En particulier, l’affichage de la trace tend à augmenter le degré de difficulté en augmentant le nombre d’informations visuelles à appréhender.
Dispositif
L’invention porte encore, selon un autre de ses aspects, sur un système d’acquisition et d’analyse de la motricité fine pour la mise en œuvre du procédé selon l’invention, comportant:
- un support adapté à l’affichage du parcours,
- un moyen de chronométrage pour mesurer une durée de réalisation d’au moins une partie du parcours,
- un moyen de détection, détectant les positions du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours,
- une mémoire dans laquelle peuvent être enregistrées les positions du doigt et/ou de l’accessoire et/ou la durée de réalisation d’au moins une partie du parcours,
- un moyen de traitement et d’analyse pour générer un score représentatif de la motricité fine à partir d’au moins la durée de réalisation d’au moins une partie du parcours et d’une mesure statistique, caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans l’enregistrement des positions du doigt et/ou de l’accessoire, lui-même généré à partir d’une variable aléatoire représentative des positions du doigt et/ou de l’accessoire.
Support
Le support peut comporter un écran, de préférence comportant une interface tactile permettant de suivre le mouvement du doigt et/ou de l’accessoire lors de la réalisation du parcours. Le support peut être une tablette, un téléphone portable, ou un tableau interactif entre autres possibilités.
Accessoire
L’accessoire utilisé par l’individu pour réaliser au moins une partie du parcours peut être un outil fonctionnant avec une tablette, comme un stylet, ou n’importe quel outil adapté pour écrire comme un crayon, une craie, un stylo ou feutre.
L’accessoire peut comporter un capteur, par exemple capacitif, optique, thermique, de pression, à ultrasons.
Moyen de chronométrage
Le moyen de chronométrage peut être un algorithme exécuté par un moyen informatique, cet algorithme étant de préférence inclus dans le programme exécuté par le moyen de traitement et d’analyse, déterminant la durée de réalisation d’au moins une partie du parcours à partir des enregistrements des positions successives du doigt et/ou de l’accessoire. En effet, le moyen de traitement comportant de préférence une horloge interne, on peut déterminer la durée de réalisation d’au moins une partie du parcours, connaissant la fréquence d’échantillonnage à laquelle les positions successives sont enregistrées.
Le moyen de chronométrage peut alternativement être distinct du moyen de traitement et d’analyse, étant par exemple un circuit électronique spécialisé ou un programme exécuté lors de l’acquisition indépendamment d’un programme exécuté pour le traitement et l’analyse des enregistrements.
Le moyen de chronométrage peut être inclus dans le support.
Moyen de détection
Le moyen de détection peut être un capteur, notamment un capteur capacitif, optique, thermique, de pression, à ultrasons.
Le moyen de détection peut être inclus dans le support. Alternativement, il est distinct du support.
Le moyen de détection peut être intégré au support, notamment intégré à une caméra, une tablette, un téléphone portable, ou à un tableau interactif.
Le moyen de détection peut être une caméra observant le support, par exemple une caméra couleur, par exemple de type Kinect.
Le moyen de détection peut également détecter la vitesse et/ou l’accélération et/ou la pression du doigt et/ou de l’accessoire sur le support et/ou l’inclinaison du doigt et/ou de l’accessoire par rapport au support.
Moyen de traitement et d’analyse
Le moyen de traitement peut être inclus dans le support et/ou dans le moyen de détection.
Le moyen de traitement et d’analyse peut comporter un processeur. De préférence, des algorithmes de traitement permettent de générer automatiquement le score à partir des enregistrements.
Le moyen de traitement et d’analyse peut comporter des méthodes d’apprentissage supervisées ou non supervisées effectuant l’analyse du score généré pour l’individu.
Le moyen de traitement et d’analyse peut être disposé à distance du moyen de détection et/ou du moyen de chronométrage et/ou du support et/ou de la mémoire.
Le moyen de traitement et d’analyse est par exemple un ordinateur, une tablette, un téléphone portable, un tableau interactif, une montre intelligente pouvant par exemple être connectée à une tablette, une caméra embarquée, ou un programme informatique situé dans le cloud.
Le traitement et l’analyse des enregistrements peuvent être effectués en temps réel ou en différé.
Mémoire
La mémoire comporte de préférence une base de données, la base de données pouvant comporter des scores représentatifs de la motricité fine d’un ensemble d’individu, de préférence de tout âge, des enregistrements de positions successives, des durées de réalisation d’au moins une partie d’au moins un parcours, des informations personnelles relatives à l’ensemble d’individu et/ou à l’individu, ou des valeurs et/ou des algorithmes destinés à l’analyse du score.
La mémoire peut être incluse dans le support et/ou dans le moyen de traitement et d’analyse et/ou dans le moyen de détection, étant par exemple une barrette RAM, un disque dur, une clé USB, une carte SD ou un circuit intégré par exemple sur un processeur. De préférence, l’accès à ces données est sécurisé, protégé par exemple par un mot de passe.
L’invention pourra être mieux comprise à la lecture de la description détaillée qui va suivre, d’exemples de mise en œuvre non limitatifs de celle-ci, et à l’examen du dessin annexé, sur lequel:
Description détaillée
On a représenté à la figure 1 un système d’acquisition et d’analyse 1 de la motricité fine selon l’invention, comportant une tablette tactile 2, par exemple une tablette de type Wacom, et un accessoire 11, l’accessoire 11 étant ici un stylet. L’accessoire 11 comporte par exemple une pointe, un individu pouvant positionner et déplacer plus précisément l’accessoire sur la tablette 2.
La tablette 2 permet d’afficher un parcours et de détecter les positions successives du doigt et/ou de l’accessoire 11 sur l’écran lors de la réalisation d’au moins une partie du parcours. L’accessoire 11 peut également aider à détecter les positions successives, par exemple en comportant un capteur capacitif, optique, thermique, à ultrasons et/ou de pression.
La tablette 2 comporte un moyen de traitement et d’analyse composé notamment d’un processeur, analysant les positions successives et pouvant déterminer une durée de réalisation d’au moins une partie du parcours, à partir de l’acquisition des positions successives et d’une horloge interne.
La tablette 2 exécute un programme générant et analysant un score représentatif de la motricité fine de l’individu. Ce score peut être comparé à un ensemble de scores issus d’une base de données, la base de données pouvant être située dans une mémoire de la tablette. Le score et/ou les positions successives et/ou la durée de réalisation d’au moins une partie du parcours peuvent être enregistrés dans la mémoire.
De façon générale, le système d’acquisition et d’analyse 1 comporte un support d’affichage 10, un moyen de détection 12, un moyen de traitement et d’analyse 13, une mémoire 14 et un moyen de chronométrage 15, comme représenté à la figure 2.
Le support d’affichage 10, le moyen de détection 12, le moyen de traitement et d’analyse 13, le moyen de chronométrage 15 et la mémoire 14 peuvent être distincts les uns des autres ou non.
L’ensemble peut être regroupé au sein d’un même appareil, par exemple la tablette tactile représentée à la figure 1.
Le support 10 peut en variante être une feuille de papier, un écran non tactile, ou un tableau.
Le moyen de détection 12 peut comporter un capteur optique, capacitif, thermique, à ultrasons et/ou de pression, pouvant être situé dans ou sous le support 10 et/ou être situé à distance du support, le moyen de détection 12 étant par exemple un écran tactile ou une caméra.
Le moyen de chronométrage 15 peut être un algorithme, de préférence inclus dans le moyen de traitement et d’analyse 13, déterminant la durée de réalisation d’au moins une partie du parcours à partir des enregistrements des positions successives du doigt et/ou de l’accessoire. Le moyen de traitement et d’analyse 13 comporte de préférence une horloge interne et la durée de réalisation d’au moins une partie du parcours peut être déterminée à partir de la fréquence d’échantillonnage à laquelle les positions successives sont enregistrées.
Le moyen de traitement et d’analyse 13 peut être tout type de processeur, notamment être identiques à ceux trouvés dans les ordinateurs, tablettes, téléphones portables, montres intelligentes, ou caméras embarquées, entre autres.
La mémoire 14 peut contenir une base de données contenant des scores enregistrés et/ou un ensemble de données permettant de réaliser le traitement et l’analyse, par exemple une valeur seuil au-delà de laquelle une alerte est déclenchée, des programmes informatiques, des informations personnelles relatives à l’individu permettant par exemple d’affiner l’analyse, comme son âge, son niveau scolaire, ses antécédents médicaux. L’accès à ces informations personnelles est de préférence sécurisé, par exemple en étant protégé par un mot de passe ou une signature manuscrite de l’individu, d’un professionnel de santé ou de toute autre personne ayant un droit d’accès à ces informations personnelles. La mémoire 14 est de préférence comprise dans le moyen de traitement et d’analyse 13. Le moyen de traitement et d’analyse 13 et/ou la mémoire 14 peuvent être situés à distance du support 10 et du moyen de détection 12.
On va maintenant décrire en référence à la figure 3, différentes étapes d’un procédé selon l’invention.
L’étape initiale 101 comporte la présentation du parcours 26 à l’individu sur le support 10, invitant l’individu à effectuer un mouvement libre 20 avec le doigt et/ou l’accessoire sur le support 10.
La durée de réalisation d’au moins une partie du parcours ainsi que les positions successives Mi-1, Mi du doigt et/ou de l’accessoire sur le support 10 lors de la réalisation d’au moins une partie du parcours font l’objet des acquisitions 102, 103.
L’acquisition 102 de la durée de réalisation d’au moins une partie du parcours, et/ou l’acquisition 103 des positions successives du doigt et/ou de l’accessoire sur le support 10 peuvent être réalisées dès lors que le doigt et/ou l’accessoire sont détectés sur le support 10. L’acquisition 103 est de préférence réalisée avec une fréquence d’échantillonnage constante. La durée de réalisation peut être déterminée informatiquement à partir du nombre d’acquisitions et de la fréquence d’échantillonnage.
Le score représentatif de la motricité fine peut être généré à l’étape 107 grâce à la connaissance de la durée de réalisation et à l’analyse 105 des enregistrements des positions comportant la génération d’au moins une variable aléatoire décrivant les positions successives du doigt et/ou de l’accessoire selon un modèle statistique prédéfini, à partir de laquelle une mesure statistique est calculée. Alternativement, les positions successives du doigt et/ou de l’accessoire peuvent être décrites par une suite de variables aléatoires.
Dans un mode de réalisation préféré, le modèle statistique est un mélange de gaussiennes, la mesure statistique étant de préférence une entropie différentielle. Les enregistrements des positions successives Mi-1, Miassociés au mouvement 20 de l’individu sur le support 10 lors de la réalisation d’au moins une partie du parcours peuvent être représentés par un ensemble de coordonnées temporelles (x(t), y(t)), la variable aléatoire étant constituée d’au moins une partie, mieux de l’ensemble de ces coordonnées temporelles.
La variable aléatoire peut aussi comporter des coordonnées temporelles issues de la réalisation d’un ou plusieurs parcours.
Une fonction de densité associée à la variable aléatoire générée peut être déterminée à partir du modèle statistique, pouvant être décrite par la formule suivante dans le cas d’un mélange de gaussiennes:
avec x un vecteur de coordonnées temporelles (x(t), y(t)), wides poids associés aux gaussiennes composant le mélange de gaussiennes et
des densités associées à ces gaussiennes, où µisont des moyennes et ∑ides matrices de covariance relatives à chacune des gaussiennes.
La mesure statistique peut être calculée au moyen de la formule suivante:
avec N =2 étant la dimension des coordonnées temporelles, la mesure statistique étant une entropie différentielle et le modèle statistique un mélange de gaussiennes.
L’entropie différentielle est liée à la variance des gaussiennes, quantifiant la dispersion des enregistrements des positions successives. Ainsi, plus le mouvement de l’individu est lent, à cause par exemple d’une réflexion, d’une hésitation, d’un problème moteur, et/ou plus l’individu effectue des retours en arrière, ayant par exemple un geste désordonné, plus les gaussiennes sont étalées, comportant alors une variance élevée et donc une entropie différentielle élevée.
Alternativement, le modèle statistique peut être un modèle de Markov caché (HMM). Le modèle de Markov caché est notamment caractérisé par un nombre d’états S. Les états peuvent chacun être caractéristiques d’une portion du mouvement effectué par l’individu, un état regroupant par exemple un ensemble de positions successives, les portions étant de préférence distinctes.
Les portions peuvent s’étendre sur des durées sensiblement similaires, le nombre d’états S dépendant alors de la durée de réalisation d’au moins une partie du parcours.
Alternativement, les portions peuvent s’étendre sur des durées différentes, le nombre d’états étant par exemple prédéfini.
Les états peuvent également être chacun caractéristiques de la réalisation d’au moins une partie du parcours, l’individu effectuant plusieurs parcours, par exemple entre 2 et 40 parcours, mieux entre 10 et 30, encore mieux environ 20.
Les états peuvent encore être caractéristiques de portions du mouvement effectué par l’individu lors de la réalisation de plusieurs parcours.
Une mesure statistique intermédiaire est de préférence calculée pour chacun des états S. La mesure statistique est de préférence définie à partir de mesures statistiques intermédiaires caractéristiques d’un état. Les mesures statistiques intermédiaires peuvent être issues de l’analyse des portions comportant la génération d’une variable aléatoire intermédiaire décrivant par exemple les positions successives comprises dans chaque portion selon un modèle statistique intermédiaire, par exemple un mélange de gaussiennes. Les mesures intermédiaires peuvent être des entropies différentielles.
Des scores intermédiaires, représentatifs d’une portion du mouvement effectué par l’individu pour réaliser le parcours, peuvent être générés à partir des mesures statistiques intermédiaires et des durées sur lesquelles s’étendent lesdites portions. Le score peut être une combinaison des scores intermédiaires.
Le score peut être une somme pondérée d’au moins la mesure statistique représentative des positions successives du doigt et/ou de l’accessoire et de la durée de réalisation du parcours.
Le score peut alternativement être un vecteur comprenant au moins la mesure statistique représentative des positions successives du doigt et/ou de l’accessoire et la durée de réalisation du parcours.
Le procédé selon l’invention comporte notamment une étape d’analyse 108 du score. Le score peut par exemple être comparé de façon automatique à des scores compris par exemple dans une base de données. Le score peut être soumis à une méthode de classification, supervisée ou non, par exemple des méthodes de clustering 2D comme représenté sur les exemples des figures 4 et 5.
Alternativement, le score est comparé à une valeur seuil prédéfinie, étant par exemple un score moyen calculé à partir d’un ensemble de scores issus par exemple de la mise en œuvre d’un procédé selon l’invention. Le score peut être enregistré à l’étape 109. Le score peut enrichir une base de données pouvant être destinée à l’étape d’analyse 108 par comparaison, et/ou participer à la définition d’un score moyen.
Le procédé peut également comporter la génération automatique d’une alerte 110 pour prévenir de la détection de comportements atypiques. Par exemple, une alerte peut être déclenchée afin d’attirer l’attention sur des scores sensiblement similaires à ceux du groupe A dans les figures 4 et 5, ces scores étant isolés des autres groupes et correspondant à une durée de réalisation du parcours élevée et une entropie différentielle élevée.
La figure 4 représente un exemple de comparaison 108 de scores sous forme de vecteurs normalisés, les valeurs de la durée de réalisation et de la mesure statistique étant comprises entre 0 et 1. La comparaison 108 est effectuée dans cet exemple au moyen d’une méthode de clustering 2D, définissant huit groupes différents, à partir de 258 scores d’individus différents, notamment de tout âge. Le groupe A contient en particulier trois scores éloignés des autres scores. Une alerte peut être générée 110 concernant ces trois individus, par exemple dans le but de réaliser de nouveaux parcours, ou des tests médicaux.
La figure 5 représente un autre exemple de comparaison 108 de vingt-sept scores d’individus ayant sensiblement le même âge au moyen d’une méthode de clustering 2D à partir de vecteurs normalisés comportant la durée de réalisation du parcours et la mesure statistique. Dans cet exemple, les scores sont classés en trois groupes. Le groupe A, comportant un unique score, peut correspondre à un comportement atypique relatif à la motricité fine.
La réalisation d’une partie au moins du parcours peut aisément se faire à distance et facilite ainsi la mise en œuvre du procédé selon l’invention. En effet, l’individu peut réaliser le parcours seul, c’est-à-dire sans l’encadrement d’un professionnel, notamment de santé. Les enregistrements, et/ou le score et/ou l’analyse peuvent être envoyés a posteriori, par exemple par Internet, à un serveur qui effectue le traitement des données.
De plus, le procédé peut comporter l’étape 104 consistant à enregistrer des paramètres supplémentaires et l’étape 106 consistant à les analyser, en vue d’obtenir un score représentant plus précisément la motricité fine de l’individu, les paramètres pouvant par exemple être les vitesses du doigt et/ou de l’accessoire, les accélérations du doigt et/ou de l’accessoire, les pressions du doigt et/ou de l’accessoire sur le support 10, et/ou les tremblements du doigt et/ou de l’accessoire et/ou les inclinaisons du doigt et/ou de l’accessoire par rapport au support lors de la réalisation du parcours. Cette liste n’est pas limitative. Ces paramètres peuvent être acquis grâce à un moyen de détection, ou être déterminés grâce à une routine informatique, déterminant par exemple une moyenne ou calculant un nombre d’aller-retour. En particulier, une tablette de type Wacom peut détecter et acquérir les pressions et les inclinaisons de l’accessoire par rapport à la tablette.
La figure 6 illustre un exemple de parcours 26 pouvant être présenté à un individu sur un support, l’invitant à effectuer un mouvement libre 20 avec son doigt et/ou un accessoire 11. Les positions successives Mi, Mi-1sont enregistrées avec un pas ∆t séparant deux positions successives de préférence constant.
Une zone 24 et/ou un élément graphique 23 à sélectionner peut représenter la position du doigt et/ou de l’accessoire sur le support 10, permettant notamment de visualiser la position de l’individu sur le parcours. La zone 24 offre à l’individu un espace plus large, facilitant la sélection dans le but de réaliser le parcours. La zone 24 peut par exemple disparaître lorsque l’individu sélectionne la zone 24 et/ou l’élément graphique 23. L’acquisition 102 de la durée et/ou l’acquisition 103 des positions successives et/ou l’acquisition 104 des autres paramètres peuvent être réalisées uniquement lorsque l’individu sélectionne la zone 24 et/ou l’élément graphique 23.
Une trace 20 représentant le mouvement du doigt et/ou de l’accessoire 11 sur le support 10 peut être affichée, permettant de visualiser la progression de l’individu sur le parcours. La trace 20 peut représenter le mouvement exact du doigt et/ou de l’accessoire sur le support 10, ou celle-ci peut être représentée à l’aide de segments. Une trace affichant une solution du parcours peut aussi être présentée à l’individu en fin d’exercice, le cas échéant.
Le parcours 26 peut être un labyrinthe, comportant au moins un chemin sans issue 25 définissant de préférence un trajet unique reliant un point de départ 21 à un point d’arrivée 22. Le chemin peut être délimité par des parois pouvant être rectilignes ou non, le labyrinthe prenant par exemple la forme d’un intestin.
La figure 7 illustre trois degrés de difficulté de parcours «facile», «moyen», «difficile», le nombre de chemins sans issue augmentant en fonction du degré de difficulté.
Le parcours 26 peut être généré aléatoirement, par exemple au moyen d’un programme informatique, par exemple compris dans le moyen de traitement et d’analyse 13. Ce parcours 26 peut être enregistré, par exemple dans la mémoire 14, pouvant être présenté plusieurs fois, par exemple à plusieurs individus afin de comparer leur score, et/ou à un même individu, par exemple à différents instants, ces différents instants pouvant notamment correspondre à une évaluation avant traitement thérapeutique et à une évaluation après traitement thérapeutique afin d’apprécier l’évolution de la motricité de l’individu et de certaines fonctions cognitives au cours dudit traitement et/ou l’efficacité dudit traitement.
Bien entendu, l’invention n’est pas limitée aux exemples de réalisation qui viennent d’être décrits.
En particulier, le support peut être une feuille de papier ou tout autre matériau sur lequel le parcours peut être imprimé ou dessiné, la feuille ou le matériau étant par exemple positionné sur un écran tactile, ou une caméra pouvant filmer le mouvement du doigt et/ou de l’accessoire sur la feuille de papier ou le matériau. Le mouvement peut ensuite être décomposé afin de définir des positions successives, notamment au moyen d’un programme informatique.
L’acquisition des positions successives peut être effectuée grâce à la numérisation d’une trace laissée par l’individu sur le support lors de la réalisation d’au moins une partie du parcours, par exemple avec un stylo ou un crayon sur une feuille de papier, la durée de réalisation d’au moins une partie du parcours pouvant être acquise séparément par exemple avec un chronomètre.
Les étapes d’acquisitions des positions successives et/ou d’autres paramètres peuvent être suivies d’étapes de pré-traitements afin de normaliser les enregistrements, classiquement entre 0 et 1, ou des repérer des enregistrements manquants par exemple. Ces étapes de pré-traitements facilitent notamment la génération et l’analyse du score.
Handwriting performance in children with attention deficit hyperactivity disorder (ADHD), M. Racine et al.,
Children with autism show specific handwriting impairments, C. Fuentes et al.,
Clinical description of children with developmental coordination disorder, L. Miller et al.,
Fine motor deficiencies in children with developmental coordination disorder and learning disabilities, B. Smits-Engelsman et al.,
Handwriting process and product characteristics of children diagnosed with developmental coordination disorder,S. Rosenblum,
Handwriting development, K.P. Feder et al.,
Factors that relate to good and poor handwriting, H. Cornhill et al.,
Parkinsonism reduces coordination of fingers, wrist, and arm in fine motor control, H.L. Teulings,
Spiral analysis: a new Technique for measuring Tremor with a Digitizing Tablet, S.L. Pullman.
Claims (28)
- Procédé d’acquisition et d’analyse de la motricité fine d’un individu, comportant les étapes suivantes:
- présentation d’au moins un parcours sur un support, invitant l’individu à effectuer un mouvement libre avec au moins un doigt et/ou un accessoire sur le support, ce mouvement étant lié au parcours présenté,
- enregistrement d’une durée de réalisation d’au moins une partie du parcours,
- enregistrement des positions successives du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours,
- analyse des enregistrements pour générer au moins une variable aléatoire décrivant les positions successives du doigt et/ou de l’accessoire selon un modèle statistique prédéfini,
- génération d’un score représentatif de la motricité fine, à partir d’au moins la durée de réalisation d’au moins une partie du parcours et d’une mesure statistique de la variable aléatoire, caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans l’enregistrement des positions successives du doigt et/ou de l’accessoire.
- Procédé selon la revendication 1, la mesure statistique étant une mesure d’entropie, notamment une entropie multi-échelle, une entropie approximative, une «sample entropy», ou une entropie de Tsallis, de préférence une entropie différentielle ou définie à partir d’une mesure de chaos, notamment une mesure de dimensions fractales ou une mesure d’exposant de Lyapunov.
- Procédé selon l’une des revendications précédentes, le modèle statistique prédéfini étant un mélange de gaussiennes.
- Procédé selon la revendication précédente, le mélange de gaussiennes comportant 30 gaussiennes ou plus.
- Procédé selon l’une quelconque des revendications 3 et 4, la mesure statistique étant définie par
où ∑ est la matrice de covariance et N la dimension des gaussiennes. - Procédé selon l’une quelconque des revendications 1 et 2, le modèle statistique étant un modèle de Markov caché, caractérisé par un nombre d’états S.
- Procédé selon la revendication précédente, une mesure statistique intermédiaire étant calculée pour chacun des états S, la mesure statistique étant de préférence définie à partir de ces mesures statistiques intermédiaires.
- Procédé selon l’une quelconque des revendications 6 et 7, le nombre d’états S dépendant d’une durée totale de réalisation du parcours par l’individu.
- Procédé selon l’une quelconque des revendications 6 et 7, le nombre d’états S étant prédéfini.
- Procédé selon l’une quelconque des revendications 6 à 9, comportant l’enregistrement d’une durée intermédiaire de réalisation pour chaque état du modèle de Markov caché.
- Procédé selon la revendication précédente, un score intermédiaire score représentatif de la motricité fine étant calculé pour chaque état du modèle de Markov caché, le score représentatif de la motricité fine pouvant être défini à partir des scores intermédiaires.
- Procédé selon l’une quelconque des revendications précédentes, le parcours présenté étant un labyrinthe.
- Procédé selon la revendication précédente, le labyrinthe comportant au moins un chemin sans issue.
- Procédé selon la revendication précédente, comportant une sélection d’un degré de difficulté, le nombre de chemins sans issue du labyrinthe augmentant avec le degré de difficulté.
- Procédé selon l’une quelconque des revendications précédentes, le parcours définissant un trajet unique reliant un point de départ à un point d’arrivée.
- Procédé selon l’une quelconque des revendications 1 à 11, le parcours présenté étant un ensemble de points à relier.
- Procédé selon l’une quelconque des revendications précédentes, le parcours étant généré aléatoirement.
- Procédé selon l’une quelconque des revendications précédentes, comportant l’affichage sur le support (10) d’une trace de la trajectoire du doigt et/ou de l’accessoire.
- Procédé selon l’une quelconque des revendications précédentes, la présentation comportant l’affichage du parcours sur un écran, l’écran étant de préférence tactile.
- Procédé selon l’une quelconque des revendications précédentes, comportant l’enregistrement de vitesses et/ou d’accélérations du mouvement du doigt et/ou de l’accessoire et/ou l’enregistrement de pressions du doigt et/ou de l’accessoire sur le support lors de la réalisation du parcours, le score étant généré au moins à partir de cet ou ces enregistrement(s).
- Procédé selon l’une quelconque des revendications précédentes, comportant l’enregistrement d’inclinaisons du mouvement du doigt et/ou de l’accessoire par rapport au support lors de la réalisation du parcours, le score étant généré au moins à partir de cet enregistrement.
- Procédé selon l’une quelconque des revendications précédentes, les étapes a), b), c), d) et e) étant répétées plusieurs fois pour un même individu, de préférence, entre 2 et 40 fois, mieux entre 10 et 30, encore mieux environ 20 fois, un score moyen étant de préférence calculé à partir des scores de chaque étape e).
- Procédé selon l’une quelconque des revendications précédentes, les étapes a), b) et c) étant répétées plusieurs fois pour un même individu, et les étapes e) et d) étant réalisées une unique fois à partir des enregistrements des étapes b) et c) répétées plusieurs fois.
- Procédé selon l’une quelconque des revendications précédentes, comportant une étape de comparaison du score par rapport à des scores enregistrés dans une base de données.
- Procédé selon l’une quelconque des revendications 23 et 24, comportant la génération d’une alerte en fonction du résultat de la comparaison.
- Procédé selon l’une quelconque des revendications précédentes, comportant la réalisation du parcours par l’individu à différents moments correspondant à un moment avant traitement et un moment après traitement; et
la comparaison des scores représentatifs de la motricité fine issus de la réalisation du parcours à ces différents moments. - Procédé selon l’une quelconque des revendications précédentes, la comparaison étant réalisée au moyen d’une méthode d’apprentissage automatique, notamment une méthode de classification.
- Système d’acquisition et d’analyse (1) de la motricité fine pour la mise en œuvre du procédé selon l’une quelconque des revendications précédentes, comportant:
- un support (10) adapté à l’affichage du parcours, le support (10) comportant de préférence une interface tactile permettant de suivre le mouvement du doigt et/ou de l’accessoire lors de la réalisation du parcours,
- un moyen de chronométrage (15) pour mesurer une durée de réalisation d’au moins une partie du parcours,
- un moyen de détection (12), détectant les positions du doigt et/ou de l’accessoire lors de la réalisation d’au moins une partie du parcours,
- une mémoire (14) dans laquelle peuvent être enregistrées les positions du doigt et/ou de l’accessoire et/ou la durée de réalisation d’au moins une partie du parcours
- un moyen de traitement et d’analyse (13) pour générer un score représentatif de la motricité fine à partir d’au moins la durée de réalisation d’au moins une partie du parcours et d’une mesure statistique, caractéristique d’une quantité d’information, d’un désordre ou d’un chaos contenu dans l’enregistrement des positions du doigt et/ou de l’accessoire, lui-même généré à partir d’une variable aléatoire représentative des positions du doigt et/ou de l’accessoire.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2000383A FR3106234A1 (fr) | 2020-01-15 | 2020-01-15 | Procédé et dispositif d’analyse de la motricité fine |
| PCT/EP2021/050586 WO2021144307A1 (fr) | 2020-01-15 | 2021-01-13 | Procede et dispositif d'analyse de la motricite fine |
| US17/792,994 US20230047530A1 (en) | 2020-01-15 | 2021-01-13 | Method and device for analyzing fine motor skills |
| EP21701061.0A EP4091176A1 (fr) | 2020-01-15 | 2021-01-13 | Procede et dispositif d'analyse de la motricite fine |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2000383 | 2020-01-15 | ||
| FR2000383A FR3106234A1 (fr) | 2020-01-15 | 2020-01-15 | Procédé et dispositif d’analyse de la motricité fine |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| FR3106234A1 true FR3106234A1 (fr) | 2021-07-16 |
Family
ID=71894873
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2000383A Pending FR3106234A1 (fr) | 2020-01-15 | 2020-01-15 | Procédé et dispositif d’analyse de la motricité fine |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20230047530A1 (fr) |
| EP (1) | EP4091176A1 (fr) |
| FR (1) | FR3106234A1 (fr) |
| WO (1) | WO2021144307A1 (fr) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114788918B (zh) * | 2022-06-23 | 2022-09-27 | 深圳市心流科技有限公司 | 一种反应力训练方案制定方法、装置、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1661059A2 (fr) * | 2003-07-21 | 2006-05-31 | Gannon Technologies Group | Systemes et procedes d'evaluation de troubles affectant de fines capacites motrices par reconnaissance de l'ecriture manuscrite |
| US20140330159A1 (en) * | 2011-09-26 | 2014-11-06 | Beth Israel Deaconess Medical Center, Inc. | Quantitative methods and systems for neurological assessment |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB8328909D0 (en) * | 1983-10-28 | 1983-11-30 | Hutton G H | Manufacturing pattern-bearing article |
| WO2013071285A1 (fr) * | 2011-11-11 | 2013-05-16 | Rutgers, The State University Of New Jersey | Procédés de diagnostic et de traitement de troubles neurologiques |
| US9510789B2 (en) * | 2013-10-31 | 2016-12-06 | Roshanak Houmanfar | Motion analysis method |
| US20150179080A1 (en) * | 2013-12-22 | 2015-06-25 | Lumos Labs, Inc. | Systems and methods for a physically intuitive resource-constrained route planning task for enhanced cognition |
| US20170263146A1 (en) * | 2016-03-11 | 2017-09-14 | Varun Aggarwal | Method and system for building and scoring motor skills tests |
-
2020
- 2020-01-15 FR FR2000383A patent/FR3106234A1/fr active Pending
-
2021
- 2021-01-13 EP EP21701061.0A patent/EP4091176A1/fr active Pending
- 2021-01-13 WO PCT/EP2021/050586 patent/WO2021144307A1/fr unknown
- 2021-01-13 US US17/792,994 patent/US20230047530A1/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1661059A2 (fr) * | 2003-07-21 | 2006-05-31 | Gannon Technologies Group | Systemes et procedes d'evaluation de troubles affectant de fines capacites motrices par reconnaissance de l'ecriture manuscrite |
| US20140330159A1 (en) * | 2011-09-26 | 2014-11-06 | Beth Israel Deaconess Medical Center, Inc. | Quantitative methods and systems for neurological assessment |
Non-Patent Citations (9)
| Title |
|---|
| B. SMITS-ENGELSMAN, FINE MOTOR DEFICIENCIES IN CHILDREN WITH DEVELOPMENTAL COORDINATION DISORDER AND LEARNING DISABILITIES |
| C. FUENTES, CHILDREN WITH AUTISM SHOW SPECIFIC HANDWRITING IMPAIRMENTS |
| H. CORNHILL, FACTORS THAT RELATE TO GOOD AND POOR HANDWRITING |
| H.L. TEULINGS, PARKINSONISM REDUCES COORDINATION OFFINGERS, WRIST, AND ARM IN FINE MOTOR CONTROL |
| K.P. FEDER, HANDWRITING DEVELOPMENT |
| L. MILLER, CLINICAL DESCRIPTION OF CHILDREN WITH DEVELOPMENTAL COORDINATION DISORDER |
| M. RACINE, HANDWRITING PERFORMANCE IN CHILDREN WITH ATTENTION DÉFICIT HYPERACTIVITY DISORDER (ADHD) |
| S. ROSENBLUM, HANDWRITING PROCESS AND PRODUCT CHARACTERISTICS OF CHILDREN DIAGNOSED WITH DEVELOPMENTAL COORDINATION DISORDER |
| S.L. PULLMAN, SPIRAL ANALYSIS: A NEW TECHNIQUE FOR MEASURING TREMOR WITH A DIGITIZING TABLET |
Also Published As
| Publication number | Publication date |
|---|---|
| EP4091176A1 (fr) | 2022-11-23 |
| US20230047530A1 (en) | 2023-02-16 |
| WO2021144307A1 (fr) | 2021-07-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140316881A1 (en) | Estimation of affective valence and arousal with automatic facial expression measurement | |
| US11475788B2 (en) | Method and system for evaluating and monitoring compliance using emotion detection | |
| McCurrie et al. | Predicting first impressions with deep learning | |
| Constantin et al. | The Predicting Media Memorability Task at MediaEval 2019. | |
| US20230252316A1 (en) | Adjusting mental state to improve task performance | |
| Liapis et al. | User experience evaluation: A validation study of a tool-based approach for automatic stress detection using physiological signals | |
| Valla et al. | Tremor-related feature engineering for machine learning based Parkinson’s disease diagnostics | |
| Barz et al. | Digital pen features predict task difficulty and user performance of cognitive tests | |
| Deschamps et al. | Development of a pre-diagnosis tool based on machine learning Algorithms on the BHK test to improve the diagnosis of dysgraphia | |
| Bruno et al. | A multi-scale colour and keypoint density-based approach for visual saliency detection | |
| EP4091176A1 (fr) | Procede et dispositif d'analyse de la motricite fine | |
| Beltzung et al. | Deep learning for studying drawing behavior: A review | |
| US20220051670A1 (en) | Learning support device, learning support method, and recording medium | |
| Lara-Garduno et al. | 3D-Trail-Making Test: A Touch-Tablet Cognitive Test to Support Intelligent Behavioral Recognition. | |
| US11733781B2 (en) | Leveraging machine learning and fractal analysis for classifying motion | |
| Jensen et al. | Human perception and machine vision reveal rich latent structure in human figure drawings | |
| FR3058538B1 (fr) | Procede multiparametrique de quantification de l'equilibre | |
| WO2003067554A1 (fr) | Dispositif d'evaluation objective du geste graphique | |
| FR3066097A1 (fr) | Dispositif et methode d'evaluation neuropsychologique | |
| Qin et al. | Recognition of map activities using eye tracking and EEG data | |
| Białek et al. | Selected problems of image data preprocessing used to perform examination in Parkinson’s disease | |
| EP3709866A1 (fr) | Procédé amélioré de quantification de l'équilibre | |
| Hu et al. | Analyzing user interactions with music information retrieval system: An eye tracking approach | |
| Aruna et al. | Original Research Article Emotion sensitive analysis of learners’ cognitive state using deep learning | |
| CN117653106A (zh) | 情绪分类系统和方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20210716 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| PLFP | Fee payment |
Year of fee payment: 4 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |