FR3113369A1

FR3113369A1 - Procede et systeme de detection de la somnolence d’un individu

Info

Publication number: FR3113369A1
Application number: FR2008530A
Authority: FR
Inventors: Nicolas Vera; Stéphane RIGAUT; Régis Logier; Julien De Jonckheere; Mathieu Jeanne; Zakaria MRANI ALAOUI; Baptiste CHEVALIER
Original assignee: Centre Hospitalier Regional Universitaire de Lille CHRU; Fipsico SAS
Current assignee: Centre Hospitalier Universitaire de Lille CHU; Fipsico SAS
Priority date: 2020-08-17
Filing date: 2020-08-17
Publication date: 2022-02-18
Anticipated expiration: 2040-08-17
Also published as: FR3113369B1

Abstract

Le procédé de détection de la somnolence d’un individu comprend : une acquisition d’un signal cardiaque (1a) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δti) entre battements cardiaques successifs, une extraction, à partir desdits intervalles de temps (δti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, un calcul d’au moins un agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat), un traitement du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu. Figure 1

Description

PROCEDE ET SYSTEME DE DETECTION DE LA SOMNOLENCE D’UN INDIVIDU

La présente invention concerne la détection de la somnolence à partir d’un signal cardiaque d’un individu. Elle trouve son application dans tous les domaines où la détection de la somnolence d’un individu statique peut s’avérer utile, et plus particulièrement, mais non exclusivement, à la détection de la somnolence d’un conducteur de véhicule.

Art antérieur

On estime qu’entre 10 et 30% de la totalité des accidents de la route dans le monde sont liés à l’endormissement [NHTSA, «Drowsy Driving and Automobile Crashes», 2017]. Cette fourchette d’estimation est large car le niveau de fatigue n’est pas mesurable a posteriori lors d’un accident, contrairement par exemple au niveau d’alcool dans le sang. Ainsi les investigateurs se basent sur des critères plus larges comme l’absence de traces de freinage sur le sol.

Compte tenu du problème majeur qu’est la somnolence au volant, de nombreuses solutions techniques ont été développées pour tenter de détecter automatiquement la somnolence et alerter le conducteur (cf notamment Sahayadhas, A., Sundaraj, K., & Murugappan, M. (2012). «Detecting driver drowsiness based on sensors: a review. »Sensors,12(12), 16937-16953.

La somnolence d’un individu peut se définir d’une manière générale comme une phase intermédiaire d’hypovigilance entre une phase éveillée dans laquelle l’individu est pleinement éveillé et vigilant et une phase dans laquelle l’individu est endormi. Cette phase intermédiaire d’hypovigilance caractéristique de la somnolence peut elle-même se décomposer en plusieurs phases successives de somnolence caractérisées par des degrés de somnolence différents.

Parmi les solutions techniques connues de détection de la somnolence d’un individu, on trouve une première famille de systèmes de détection basés sur une analyse du comportement du véhicule. En particulier, un système de détection de somnolence répandu est celui détectant un franchissement de ligne blanche. Ce système repose sur l’utilisation de caméra(s) pour analyser en permanence les caractéristiques de la route pour déterminer si le conducteur n’est pas en train de franchir une ligne blanche par inadvertance.

Une autre famille de systèmes de détection de somnolence est basée sur une analyse du comportement du conducteur. On utilise à cet effet une ou plusieurs cameras pour identifier l’ouverture des yeux [Zhang, Z.; Zhang, J. «A new real-time eye tracking based on nonlinear unscented Kalman filter for monitoring driver fatigue.» J. Contr. Theor. Appl. 2010, 8, 181–188] ou la fréquence de clignements des yeux [Bergasa, L.M.; Nuevo, J.; Sotelo, M.A.; Barea, R.; Lopez, M.E. «Real-time system for monitoring driver vigilance. » IEEE Trans. Intell. Transport. Syst. 2006, 7, 63–77].

Ces deux familles présentent de bons résultats sur le papier. Cependant, outre la complexité technique soulevée par l’installation de caméras à bord du véhicule, ainsi que les soucis liés aux variations de luminosité, ces systèmes sont par essence réactifs et peuvent aboutir à une détection de somnolence trop tardive.

On a également cherché à proposer une troisième famille de systèmes de détection de somnolence basés sur une mesure et une analyse de signaux physiologiques de l’individu. Cette famille est très vaste et de nombreux signaux physiologiques peuvent être analysés [Khushaba, R.N.; Kodagoda, S.; Lal, S.; Dissanayake, G. «Driver drowsiness classification using fuzzy wavelet-packet-based feature -extraction algorithm». IEEE Trans. Biomed. Eng. 2011, 58, 121–131. / Hu, S.; Zheng, G. “Driver drowsiness detection with eyelid related parameters by support vector machine.” Exp. Syst. Appl. 2009, 36, 7651–7658 ].

Parmi les solutions de cette troisième famille, certaines sont basées sur l’acquisition et l’analyse d’un signal EEG (Électro-encéphalogramme) du conducteur. Si le signal EEG peut être un indicateur précieux de somnolence, il n’en reste pas moins problématique sur plusieurs aspects. D’un point de vue pratique, l’encombrement dans l’habitacle du véhicule avec un tel dispositif pose problème. D’autre part, les données produites par le signal EEG sont lourdes et difficiles à traiter en temps réel, et il y a également des problèmes d’artefacts sur le signal lors du mouvement du conducteur.

Plus récemment, on a proposé des solutions techniques de détection de somnolence basées sur une acquisition et une analyse d’un signal cardiaque de l’individu, du type par exemple signal ECG (Electrocardiogramme) ou signal de pouls de type signal PPG obtenu au moyen d’un capteur de pléthysmographie. Ces solutions permettent avantageusement la mise en œuvre de capteurs simples et peu encombrants. Plus particulièrement, on peut utiliser des capteurs portés par l’individu, et par exemple des capteurs intégrés à un bracelet ou à une bague. On peut également utiliser des capteurs intégrés à un vêtement porté par l’utilisateur ou des capteurs intégrés au siège conducteur. On peut également utiliser des capteurs intégrés au volant du véhicule.

Lors de la phase d’endormissement d’un individu, on remarque une diminution du tonus musculaire et du rythme cardiaque, qui représentent des changements dans le système nerveux autonome (SNA) de l’individu.

Pour essayer de détecter la somnolence d’un individu, on a ainsi cherché à utiliser des variables,communément appelées variables HRV, qui sont caractéristiques de la variabilité de la fréquence cardiaque dans le domaine temporel ou fréquentiel et qui sont représentatives de l’activité du système nerveux autonome (SNA).

Des variables HRV couramment utilisées ont par exemple été décrites dans la publication «Heart rate variability–Standards of measurement , physioligical interpetation , and clinical use», European Heart Journal, Vol. 17, Mars 1996, pages 354-381

Les variables HRV sont de manière connue calculées à partir d’une pluralité d’intervalles de temps entre battements cardiaques successifs dans un signal cardiaque mesuré sur un individu.

Ainsi on a par exemple proposé dans le brevet américain US9,955,925 et dans la demande de brevet américain US 2019/0008434 des systèmes de détection de somnolence mettant en œuvre une détection, dans un signal cardiaque mesuré sur l’individu, des intervalles de temps entre battements cardiaques successifs, sur une extraction de variables HRV caractéristiques de la variabilité de la fréquence cardiaque, et sur une analyse de ces variables HRV au moyen d’un algorithme de détection de somnolence.

Dans le brevet américain US9,955,925 susvisé, cet algorithme de détection met en œuvre un réseau de neurones artificiels (RNA) entraîné au préalable pour différencier les états éveillés et endormis de l’individu. La détection est de ce fait dépendante de l’individu pour lequel le réseau de neurones artificiels (RNA) a été spécifiquement entraîné et n’est donc pas universelle.

Dans la demande de brevet américain US 2019/0008434 susvisée, cet algorithme de détection met en œuvre un arbre de décision, dont les variables de test sont des variables HRV dans le domaine temporel ou dans le domaine fréquentiel. A chaque nœud de l’arbre de décision, on compare ainsi au moins une variable HRV à un seuil prédéfini.

Dans les deux publications US9,955,925 et US 2019/0008434 susvisées, l’utilisation directement de variables HRV rend ces solutions moins fiables, car la valeur d’une variable HRV peut être très différente d’un individu à l’autre pour un même état ou degré de somnolence. Ainsi, en fonction de l’individu, la détection de la somnolence peut s’avérer être insuffisante ou défaillante, et peut notamment aboutir à des détections de somnolence trop tardives ne permettant pas par exemple d’empêcher la survenue d’un accident.

Présentation de l’invention

La présente invention vise d’une manière générale à proposer une nouvelle solution technique de détection de la somnolence d’un individu à partir d’un signal cardiaque de l’individu.

Un objectif plus particulier, mais non limitatif de l’invention, est de proposer une nouvelle solution technique de détection de la somnolence qui soit faiblement spécifique ou dépendante d’un individu, et qui puisse s’appliquer de manière plus universelle à des individus différents.

L’invention a ainsi pour premier objet un procédé de détection de la somnolence d’un individu comprenant :

une acquisition d’un signal cardiaque de l’individu au moyen d’au moins un capteur,
un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δt_i) entre battements cardiaques successifs,
une extraction, à partir desdits intervalles de temps (δt_i) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δt_i) entre battements cardiaques successifs,
un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (F_Agrégat),
un traitement du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu.

Dans le cadre de ce procédé de l’invention, les étapes (c) à (e), et optionnellement l’étape (b), peuvent par exemple être réalisées en temps différé par rapport à l’étape (a) d’acquisition du signal cardiaque, en étant réalisées à partir d’un enregistrement en mémoire de ce signal cardiaque sur une période de temps d’acquisition donnée. Cette mise en œuvre au moins des étapes (c) à (e) en temps différé peut s’avérer utile par exemple lorsque l’on souhaite détecter a posteriori sur une période d’observation donnée, chaque période de temps pendant laquelle l’individu a été somnolent.

De préférence néanmoins, les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque, ce qui permet une détection de somnolence en temps réel.

De manière facultative selon l’invention, le procédé de détection de l’invention peut également comporter les caractéristiques techniques optionnelles ci-après, prises isolément ou en combinaison :

les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque.
on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes.
on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HR_moy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, telles que définies dans la description ci-après.
on extrait à l’étape (c) au moins les variables HF et HR_moy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables.
on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δti) entre deux battements cardiaques successifs et on calcule à l’étape (d) au moins un agrégat de forme pour cette variable HR.
on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF.
au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants: coefficient d’acuité (Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable.
la largeur de la fenêtre temporelle glissante (F_Agrégat) correspond à un intervalle de temps (T_Agrégat) d’au moins 30 secondes.
la largeur de la fenêtre temporelle glissante (F_Agrégat) correspond à un intervalle de temps (T_Agrégat) inférieur ou égal à 10 minutes.
la largeur de la fenêtre temporelle glissante (F_Agrégat) est réglable.
le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (F_Agrégat).
le pas de glissement de la fenêtre temporelle glissante (F_Agrégat) est réglable.
l’étape (e) comprend l’utilisation du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.

L’invention a pour autre objet un système de détection de somnolence comportant un module d’acquisition d’un signal cardiaque d’un individu, un module de traitement du signal cardiaque, adapté pour réaliser l’étape (b) du procédé de détection susvisé, un module d’extraction adapté pour réaliser l’étape (c) du procédé de détection susvisé, un module de calcul adapté pour réaliser l’étape (d) du procédé de détection susvisé, et un module de traitement du ou des agrégats de forme calculés par le module de calcul, lequel module de traitement est adapté pour détecter la somnolence de l’individu à partir de ces agrégats.

L’invention a également pour objet une utilisation du système de détection susvisé pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule.

L’invention a également pour objet un produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins l’étape (d), et de préférence au moins les étapes (d) et (e), du procédé de détection susvisé.

Brève description des figures

Les caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description détaillée ci-après de plusieurs variantes de réalisation de l’invention, laquelle description détaillée est donnée à titre d’exemple non limitatif et non exhaustif de l’invention, et en référence aux dessins annexés sur lesquels :

la représente un exemple de système de détection de l’invention sous la forme de schéma bloc ;

la représente une portion de signal caractéristique d’un battement cardiaque dans un signal ECG ;

la représente un exemple de signal ECG ;

la représente un exemple de signal PPG ;

la représente un exemple de tachogramme d’une série RR ;

la représente un exemple d’arbre de décision.

Description détaillée de l’invention

En référence à la variante particulière de réalisation de la , un système de détection de somnolence de l’invention comporte :

un module 1 d’acquisition d’un signal cardiaque 1a d’un individu ;
un module de traitement 2 de ce signal cardiaque 1a, qui a pour fonction principale de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1a, et qui délivre en sortie une série RR chronologique constituée d’une succession d’échantillons RR_i _,chaque échantillon RR_iquantifiant un intervalle de temps entre deux battements cardiaques successifs;
un module d’extraction 3, qui est adapté pour extraire plusieurs variables HRV à partir des intervalles de temps RR_isuccessifs fournis par le module de traitement 2;
un module de calcul 4, qui est adapté pour calculer un ou plusieurs agrégats de forme à partir des variables HRV fournies par le module d’extraction 3 ;
un module de détection de somnolence 5, qui est adapté pour détecter un état de somnolence à partir uniquement desdits agrégats fournis par le module de calcul 4 ;
un module d’alerte 6.

Le système de détection de l’invention peut avantageusement être utilisé pour détecter la somnolence, et de préférence pour détecter de manière précoce le début de somnolence, d’un conducteur de véhicule et pour en cas de détection de somnolence émettre une alarme, afin de prévenir le conducteur qu’il est en hypovigilance. Néanmoins, l’invention n’est pas limitée à cette seule application, le système de détection pouvant être utilisé dans toutes les applications où il s’avère utile de détecter la somnolence d’un individu, et de préférence d’un individu en position statique.

Dans le cadre de l’invention, les différents modules 1 à 6 peuvent être intégrés à un même dispositif de détection assurant localement, par exemple dans l’habitacle d’un véhicule, l’acquisition du signal cardiaque et la détection de la somnolence de l’individu. Dans d’autres variantes de l’invention, le ou les modules 2, 3, 4 ou 5 peuvent être déportés par rapport au site d’acquisition du signal cardiaque. Par exemple, le module d’acquisition 1 peut être conçu pour communiquer à distance le signal cardiaque 1a, via tout type de réseau de télécommunication, à un ensemble de traitement déporté comportant les modules 2 à 5.

La technologie utilisée pour réaliser les modules 1 à 6 n’est pas limitative de l’invention. Par exemple, et de manière non exhaustive, l’ensemble des modules 1 à 6 peut être implémenté au moyen d’une ou plusieurs unités de traitement électroniques comportant un ou plusieurs microprocesseurs ou un ou plusieurs microcontrôleurs ou au moyen d’une ou plusieurs unités de traitement électroniques implémentées sous la forme d’un circuit programmable, par exemple de type FPGA, ou sous la forme d’un circuit électronique spécifique de type ASIC. Les modules 3, 4 et 5 peuvent également être implémentés sous la forme d’un ou plusieurs logiciels, qui sont aptes à être exécutés par un ordinateur ou serveur distant communiquant à distance avec le module 1 d’acquisition de signal.

Module d’acquisition 1 – signal cardiaque 1a

Le module d’acquisition 1 comporte un ou plusieurs capteurs qui sont adaptés pour acquérir un signal cardiaque 1a d’un individu.

Dans le cadre de l’invention, le type de capteur(s) est sans importance.

Les capteurs peuvent par exemple, et de manière non limitative de l’invention, être un ensemble d’électrodes délivrant un signal cardiaque 1a de type signal ECG ( ), qui est représentatif de l’activité cardiaque de l’individu, et qui comporte de manière connue, pour chaque battement cardiaque, cinq ondes électriques caractéristiques P, Q, R, S, T, tel qu’illustré sur la :

l'onde P correspond à la dépolarisation des oreillettes, et qui présente une faible amplitude et une forme de dôme ;
l'espace PQ traduit le temps de conduction auriculo-ventriculaire;
l'onde R est considérée en pratique comme marqueur de la systole ventriculaire, ou du battement cardiaque, le complexe QRS reflétant la contraction ventriculaire, et
l'onde T reflète la repolarisation ventriculaire.

De manière non limitative de l’invention, un capteur du module d’acquisition peut également être un capteur de pulsations cardiaques, de type oxymètre de pouls ou capteur de pléthysmographie, délivrant un signal cardiaque 1a, de type signal PPG (photopléthysmographie) ayant par exemple le profil du signal de la figure 4.

Dans le cadre de l’invention, le ou les capteurs du module d’acquisition 1 peuvent être intégrés à un dispositif de détection porté par l’individu, sous la forme par exemple et de manière non exhaustive d’un bracelet, d’une bague ou encore d’une pince.

Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un organe manipulé par l’individu, tel que par exemple le volant d’un véhicule.

Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un vêtement porté par l’individu.

Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés dans l’environnement immédiat de l’individu et être par exemple intégrés au siège d’un véhicule.

Quel que soit le type de capteur, le signal cardiaque 1a délivré par le module d’acquisition 1 peut être un signal analogique ou un signal numérique.

Lorsque le signal cardiaque 1a est numérique, le module d’acquisition 1 intègre un convertisseur analogique/numérique permettant de numériser le signal cardiaque avec une fréquence d'échantillonnage (fc) prédéterminée, valant par exemple 256 Hz.

Lorsque le signal cardiaque 1a est analogique, le module de traitement 2 comporte généralement en entrée ledit convertisseur analogique/numérique permettant de numériser le signal cardiaque 1a avant mise en œuvre de la détection par le module de traitement 2.

Module de traitement 2- Echantillons RR _i

Le module 2 a pour fonction, de manière connue en soi, de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1a.

Cette détection est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.

Lorsque le signal cardiaque est un signal de type ECG ( ), le module 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux ondes R successives ( ) et pour construire en sortie du module une série chronologique, dite série « RR » et constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux ondes Ri, Ri+1 successives.

Ceci n’est toutefois pas limitatif de l’invention. Dans le cas d’un signal cardiaque de type ECG, le module 2 peut également être adapté pour construire ladite série RR en utilisant les autres ondes de dépolarisation (P, Q, S ou T) du signal ECG, la précision étant toutefois moins bonne qu’en utilisant les ondes R du signal ECG.

Lorsque le signal cardiaque est un signal de pulsation cardiaque du type de celui de la , le module de traitement 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux pics successifs Pi, Pi+1 ( ) caractéristiques de deux pulsations cardiaques successives et pour construire en sortie du module une série chronologique constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux pics Pi, Pi+1 successifs.

Dans le présent texte, quel que soit le type de signal cardiaque 1a, on désigne par « série RR » la série chronologique constituée d’une succession d’échantillons RR_idont la valeur est égale à l’intervalle de temps δt_ientre deux battements cardiaques successifs du signal cardiaque 1a.

A titre illustratif uniquement on a représenté sur la , un exemple de tachogramme d’une série RR en fonction du temps.

De manière optionnelle, le module 2 peut également comporter de manière connue en soi un ou plusieurs filtres permettant de filtrer le signal cardiaque 1a délivré par le module d’acquisition 1 ou de filtrer la série RR avant de la fournir au module d’extraction 3, afin par exemple de supprimer et/ou corriger d’éventuels artéfacts présents dans le signal cardiaque 1a.

Module d’extraction 3 - V ariables HRV

Le module d’extraction 3 permet d’extraire plusieurs variables HRV à partir d’une série RR fournie par le module de traitement 2.

Dans le présent texte, on désigne d’une manière générale par « variable HRV » toute variable caractéristique de la variation de la fréquence cardiaque et calculée à partir d’une pluralité d’intervalles de temps δt_i.

Cette extraction est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.

D’une manière générale, chaque variable HRV est calculée à partir de plusieurs échantillons RR_ide la série RR.

Plus particulièrement, chaque variable HRV est calculée à partir de plusieurs échantillons RR_isuccessifs pris sur un intervalle de temps prédéfini T_HRV.

Plus particulièrement, d’un point de vue pratique, chaque variable HRV est calculée à partir de plusieurs échantillons RRi successifs dans une fenêtre temporelle glissante FHRV ( ) de largeur LHRV prédéfinie correspondant à cet intervalle de temps THRV, ou autrement dit à un nombre prédéfini d’échantillons RRi pris en compte dans la fenêtre temporelle glissante FHRV.

Pour implémenter cette fenêtre temporelle F_HRV glissante_,on peut par exemple mettre en œuvre un registre à décalage de type FIFO.

La largeur L_HRVde fenêtre temporelle glissante F_HRVpeut être différente d’une variable HRV à l’autre.

Plus la fenêtre temporelle glissante F_HRVest large, et plus le nombre d’échantillons RR_ipris en compte pour le calcul de la variable HRV correspondante dans cette fenêtre temporelle glissante F_HRVest important.

Le pas de glissement de la fenêtre temporelle glissante F_HRV peut selon le cas être un pas d’un seul échantillon RR_iou un pas de plusieurs échantillons RR_i _.

De préférence, ce pas de glissement de la fenêtre temporelle glissante F_HRV est inférieur à la largeur L_HRVde la fenêtre temporelle glissante F_HRV, c’est-à-dire inférieur au nombre d’échantillons RR_idans la fenêtre temporelle glissante F_HRV _.

Dans le cadre de l’invention, les variables HRV sont de préférence sélectionnées parmi celles énumérées ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers de variables HRV.

Liste des Variables HRV préférentielles

Dans le domaine temporel, les variables HRV préférentielles pour réaliser l’invention sont : HR_moy, RMSSD, VCT, VLT, SDNN, CSI.

HR _moy

Cette variable HR_moyest représentative de la moyenne de la fréquence cardiaque dans la fenêtre temporelle glissante F_HRV _.

Cette variable HR_moyexprimée en battements/minute peut de manière connue être calculée à partir d’une pluralité d’échantillons RR_i(δt_i) dans la fenêtre temporelle glissante F_HRVsusvisée au moyen de la formule suivante:

dans laquelle :

Nest le nombre d’échantillons RR_i (δt_i) dans la fenêtre glissante F_HRV
les intervalles de temps δt_isont exprimés en secondes_.

RMSSD

Cette variable HRV est la racine carrée de la moyenne des différences au carré entre les échantillons RR_i(δt_i) successifs dans la fenêtre temporelle glissante F_HRV _.

VCT (Variabilité Court Terme)

Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité court-terme du rythme cardiaque.

VCT est calculée sur une série de RR_i(δt_i) rééchantillonnée à 4hz. Elle analyse les différences de fréquence cardiaque moyenne entre deux époques courtes (par exemple de 3,75s) successives dans une fenêtre temporelle glissante F_HRVd’une minute (soit 16 époques). VCT représente alors la moyenne de la valeur absolue de ces différences divisée par 2.

Elle peut être calculée au moyen de la formule suivante :

dans laquelle représentent la fréquence cardiaque moyenne respectivement sur deux époques courtes (par exemple de 3,75s) successives.

VLT(Variabilité Long Terme)

Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité long-terme du rythme cardiaque.

Comme pour la variable VCT, la variable VLT est calculée sur une série de RR_i(δt_i) rééchantillonnée à 4hz.

La VLT représente la différence entre la valeur minimale et la valeur maximale des fréquences cardiaques moyennes calculées sur des époques (par exemple de 3,75s) successives dans une fenêtre temporelle glissante F_HRVd’une minute.

SDNN

Cette variable HRV est l'écart-type des échantillons RR_i(δt_i) dans la fenêtre temporelle glissante F_HRV.

Elle peut être calculée au moyen de la formule suivante :

dans laquelle :

Nest le nombre d’échantillons RR_i(δt_i) dans la fenêtre glissante F_HRV
M est la moyenne des intervalles de temps δt_i dans la fenêtre glissante F_HRV.

CSI

Cette variable HRV est calculée au moyen de la formule :

CSI = ²/

dans laquelle :

et

est l’écart-type des différences entre intervalles de temps successifs dans la fenêtre temporelle glissante F_HRV.

Dans le domaine fréquentiel, les variables HRV préférentielles pour l’invention sont les variables communément désignéesHF, LF, HF/LF.

De manière connue, les variablesHFetLFcaractérisent la densité ou la puissance spectrale de la série d’échantillons RR_idans la fenêtre temporelle glissante F_HRV susvisée, dans une bande de hautes fréquences entre 0,15 Hz et 0,4 Hz pour la variable HF et dans une bande de basses fréquences entre 0.04Hz et 0,15Hz pour la variable LF.

Ces variables sont de manière usuelle calculées par exemple et de manière non exhaustive par transformée de Fourier rapide (FFT), par transformée en ondelettes ou par modèle autorégressif (ARMA).

Autre variable :HR(Fréquence cardiaque instantanée)

De manière optionnelle, en plus des variables HRV caractéristiques de la variabilité de la fréquence cardiaque et calculées chacune à partir de plusieurs échantillons RRi, le module d’extraction 3 peut également, dans certaines variantes de réalisation, calculer et fournir au module de calcul 4 une variable additionnelle dite HR, qui n’est pas une variable HRV au sens du présent texte et de de l’invention, qui est calculée à partir d’un seul échantillon RR_i, et qui est caractéristique de la fréquence cardiaque instantanée.

Cette variable HR exprimée par exemple en nombre de pulsations cardiaques par minute peut de manière connue être calculée à partir d’un seul échantillon RR_iexprimé en secondes, au moyen de la formule suivante :

HR (battements/minute) = 60/ δt_i

Module de calcul 4 – Agrégats

Le module 4 de calcul des agrégats est adapté pour calculer au moins un agrégat de forme pour une ou plusieurs variables HRV.

Ce calcul d’agrégats est de préférence réalisé en temps réel pendant l’acquisition du signal cardiaque 1a.

D’une manière générale, chaque agrégat de forme est calculé pour une variable HRV à partir de plusieurs valeurs discrètes successives HRV_ide la variable HRV dans une fenêtre temporelle glissante F_Agrégatde largeur L_Agrégatprédéfinie. Cette largeur L_Agrégatde la fenêtre temporelle glissante F_Agrégatcorrespond à un intervalle de temps T_A _grégatou autrement dit à un nombre prédéfini de valeurs discrètes HRV_iprises en compte dans la fenêtre temporelle glissante F_Agrégat.

Cette largeur L_Agrégatde fenêtre temporelle glissante F_Agrégatpeut être différente d’une variable à l’autre.

Néanmoins, dans une variante préférée de réalisation, tous les agrégats seront calculés pour toutes les variables HRV avec la même fenêtre temporelle glissante F_Agrégat.

Plus la fenêtre temporelle glissante F_Agrégatest large, et plus le nombre d’échantillons de la variable HRV pris en compte pour le calcul de l’agrégat de forme dans cette fenêtre temporelle glissante F_Agrégatest important.

Plus particulièrement, mais de manière non limitative de l’invention, l’intervalle de temps T_Agrégat correspondant à la largeur de la fenêtre temporelle glissante F_Agrégatsera de préférence d’au moins 30 secondes et de préférence inférieur ou égal à 10 minutes.

Le pas de glissement de la fenêtre temporelle glissante F_Agrégat peut selon le cas être un pas d’un seul échantillon de la variable HRV ou un pas de plusieurs échantillons de la variable HRV.

De préférence, ce pas de glissement de la fenêtre temporelle glissante F_Agrégat est inférieur à la largeur L_Agrégatde la fenêtre temporelle glissante F_Agrégat, c’est-à-dire inférieur au nombre d’échantillons de la variable HRV dans la fenêtre temporelle glissante F_Agrégat _.

De préférence, mais de manière facultative, afin de faciliter l’adaptation du procédé de détection de somnolence de l’invention à différents types d’applications, la largeur de la fenêtre temporelle glissante F_Agrégatet/ou le pas de glissement de la fenêtre temporelle glissante F_Agrégatsont réglables.

De manière optionnelle, lorsque le module d’extraction 3 est adapté pour calculer également la variable HR susvisée, dans ce cas le module 4 de calcul peut également calculer un agrégat de forme pour la variable HR à partir des valeurs discrètes (échantillons) HR_iprises par cette variable HR dans une fenêtre temporelle glissante F_Agrégat, et notamment à partir de plusieurs valeurs discrètes successives HR_ide la variable HR dans une fenêtre temporelle glissante F_Agrégatde largeur L_Agrégatprédéfinie.

Agrégats de forme

D’une manière générale, un agrégat de forme est une variable qui est calculée à partir des valeurs discrètes (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégatet qui quantifie la forme d’une distribution des échantillons (valeurs) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat.

De préférence les agrégats de forme peuvent être sélectionnés parmi les différents types particuliers d’agrégats de forme détaillés ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers d’agrégats de forme.

Ecart -type

L’écart-type mesure de manière connue en soi la dispersion de la distribution d’une variable.

Dans le cadre de l’invention l’écart-type (std) de la variable HRV (ou optionnellement HR) dans la fenêtre temporelle glissante F_Agrégatpeut être calculé au moyen de la formule suivante :

dans laquelle :

Nest le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la moyenne des valeurs de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante F_Agrégat ;

Kurtosis

Le Kurtosis, encore communément appelé coefficient d’acuité ou coefficient d’aplatissement, mesure de manière connue en soi l’acuité de la distribution d’une variable.

Il existe plusieurs méthodes connues pour calculer le Kurtosis d’une variable.

Dans le cadre de l’invention le Kurtosis de la variable HRV dans la fenêtre temporelle glissante F_Agrégatpeut par exemple être calculé au moyen de la formule suivante :

dans laquelle :

Nest le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la moyenne des valeurs de la variable HRV(ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante F_Agrégat ;
k ₂est la variance des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat .

Skewness

Le Skewness encore communément appelé coefficient d’asymétrie mesure de manière connue en soi l’asymétrie de la distribution d’une variable.

Il existe plusieurs méthodes connues pour calculer le Skewness d’une variable.

Dans le cadre de l’invention, le Skewness de la variable HRV dans la fenêtre temporelle glissante F_Agrégatpeut être calculé au moyen de la formule suivante :

dans laquelle :

Nest le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la moyenne des valeurs_ide la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat ;
est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante F_Agrégat ;
Sest l’écart-type des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat.

D’autres agrégats de forme peuvent également être dérivés du ou des agrégats de formes susvisé.

Par exemple et de manière non exhaustive, des agrégats de forme dérivés de l’écart-type (std) peuvent être calculés, tels que par exemple M/std ou std/M, M étant est la moyenne des valeurs HRV_i(ou HR_i) de la variable HRV (ou HR) dans la fenêtre temporelle glissante F_Agrégat _.

De préférence, l’invention peut être réalisée d’une part en utilisant au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement encore au moins quatre sélectionnées.

Il est préférable d’utiliser plusieurs variables HRV pour rendre la détection de somnolence plus fiable et plus universelle.

De préférence, pour une meilleure détection de la somnolence, le module d’extraction 3 est adapté pour extraire au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.

De préférence, la ou les variables HRV sont choisies parmi la liste des variables HRV préférentielles susvisées (HR_moy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF), et le module 4 est adapté pour calculer, pour une ou plusieurs de ces variables HRV, un ou plusieurs agrégats de forme de préférence choisis parmi la liste des agrégats de forme susvisés (std,Kurtosis , Skewness,M/ std ou std /M).

A titre d’exemples préférentiels, mais non limitatifs et non exhaustifs de l’invention, on a synthétisé dans les deux tableaux A et B suivants l’évolution de certains agrégats préférentiels pour certaines variables HRV, avant l’apparition d’une somnolence, cette évolution pouvant être analysée par l’algorithme de détection de somnolence pour détecter le plus tôt possible une somnolence d’un individu.

Tableau A : Agrégats - Variables HRV dans le domaine temporel

Variables HRV - Agrégats	Evolution de l’Agrégat avant la somnolence
HRmoy
Kurtosis	Diminue
Skewness	Diminue
Std	Diminue
Std/M	Diminue
RMSSD
Skewness	Augmente
Std	Diminue
Std/M	Diminue
SDNN
Std	Diminue
VCT
Std	Diminue
Std/M	Diminue
VLT
Skewness	Diminue
Std	Diminue
Std/M	Diminue
CSI
Std/M	Augmente

Tableau B : Agrégats - Variables HRV dans le domaine fréquentiel

Variables HRV - Agrégats	Evolution de l’Agrégat avant la somnolence
HF
Kurtosis	Diminue
Skewness	Diminue
Std	Diminue
Std/M	Diminue
LF
Kurtosis	Diminue
Skewness	Diminue
Std	Diminue
Std/M	Diminue
LF/HF
Skewness	Augmente
Std	Diminue
Std/M	Diminue

L’utilisation de variables HRV et d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV permet avantageusement de réaliser une détection de somnolence fiable, sans qu’il soit indispensable d’utiliser en complément d’autres dispositifs de détection de somnolence ou d’utiliser en complément des signaux physiologiques autres que le signal cardiaque 1a.

Le système de détection de somnolence de l’invention pourra donc avantageusement être utilisé pour la détection de somnolence, à partir du ou des agrégats de forme, sans nécessiter d’autres dispositifs détection ou sans nécessiter l’acquisition de signaux physiologiques autres que le signal cardiaque 1a.

Néanmoins, dans le cadre de l’invention, le système de détection de somnolence de l’invention peut également être utilisé en complément avec d’autres dispositifs de détection connus, tels que par exemple des dispositifs de détection basés sur l’analyse du clignement des yeux, des dispositifs de détection basés sur l’analyse comportementale de l’individu, des dispositifs de détection basés sur l’analyse des mouvements du véhicule, ou des dispositifs de détection de somnolence utilisant des signaux physiologiques autres qu’un signal cardiaque.

Par ailleurs, comparativement à des solutions de détection de somnolence utilisant directement les variables HRV pour la détection de somnolence, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement de réaliser une détection de somnolence, qui est plus universelle, c’est-à-dire qui n’est pas dépendante ou spécifique d’un individu.

Au surplus, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement dans de nombreux cas de réaliser une détection de somnolence précoce, c’est-à-dire de détecter un début de somnolence, bien avant la phase dans laquelle l’individu est endormi.

De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant préférentiellement comme variables HRV, au moins les variables HF et HR_moy, et en calculant au moins un agrégat de forme pour chacune de ces variables HRV ou en en utilisant préférentiellement la variable HR et plusieurs variables HRV dont au moins la variable HF et en calculant au moins un agrégat de forme pour chacune de ces variables HR et HF.

De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant plusieurs variables HRV, dont au moins préférentiellement la variable HF, et en calculant au moins un agrégat de forme pour cette variable HF.

Module de détection de somnolence 5

Les différents agrégat(s) de forme sont fournis comme variables d’entrée au module de détection de somnolence 5.

D’une manière générale, le module de détection de somnolence 5 exécute un algorithme de détection qui permet la détection de la somnolence de l’individu à partir de ces agrégats.

Cette détection de somnolence est réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.

Plus particulièrement mais non nécessairement, la détection par le module 5 est réalisée en utilisant le ou les agrégats de forme comme variables de test dans un arbre de décision, tel que par exemple celui de la , avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.

A la racine (N0) de l’arbre de détection et à chaque nœud (N1, N2, N3,..) de l’arbre de décision au moins l’un des agrégats issus du module 4 de calcul d’agrégats est comparé à un seuil prédéfini (S0, S1, S2, …).

La structure particulière de l’arbre de décision de la est fournie à titre d’exemple uniquement et n’est pas limitatif des structures d’arbres de décision pouvant être mis en œuvre.

L’algorithme prédictif pour la détection de somnolence peut également mettre en œuvre la technique connue d’apprentissage automatique dite « random forest », qui effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données (variables HRV et agrégat(s) de forme) différents.

Bien que la mise en œuvre d’un algorithme basé sur un ou plusieurs arbres de décision soit préférentielle, l’invention peut néanmoins également être mise en œuvre en utilisant d’autres type d’algorithmes prédictifs, tels que par exemple et de manière non exhaustive, un algorithme basé sur un réseau de neurones, un réseau neuronal convolutif, une régression logistique, ou tout autre modèle d’intelligence artificielle.

Module d’alerte 6

Le module de détection de somnolence 5 communique avec le module d’alerte 6 afin de le tenir informé, en temps réel et pendant l’acquisition du signal cardiaque 1a, de la somnolence ou non de l’individu.

Le module d’alerte 6 est adapté pour déclencher automatiquement une action, dès qu’il est informé d’un état de somnolence de l’individu par le module de détection de somnolence 5.

Cette action est par exemple le déclenchement d’un signal d’alarme visuel et/ou sonore et/ou mécanique (par exemple vibrations) dans l’environnement de l’individu, de manière à avertir au moins l’individu de son état de somnolence, afin que celui-ci puisse prendre les mesures (par exemple interruption de la conduite et repos) nécessaires au rétablissement de sa vigilance.

Claims

Procédé de détection de la somnolence d’un individu comprenant :
(a) une acquisition d’un signal cardiaque (1a) de l’individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δt_i) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (δti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δt_i) entre battements cardiaques successifs,
(d) un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (F_Agrégat),
(e) un traitement du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu.
Procédé selon la revendication 1, dans lequel les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque (1a).
Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes.
Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
Procédé selon l’une quelconque des revendications précédentes, dans lequel la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HR_moy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF.
Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins les variables HF et HR_moy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables.
Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δt_i) entre deux battements cardiaques successifs et dans lequel on calcule à l’étape (d) au moins un agrégat de forme pour cette variable HR.
Procédé selon la revendication 7, dans lequel on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF.
Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants: coefficient d’acuité (Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable.
Procédé selon l’une quelconque des revendications précédentes, dans lequel la largeur de la fenêtre temporelle glissante (F_Agrégat) correspond à un intervalle de temps (T_Agrégat) d’au moins 30 secondes.
Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (F_Agrégat) correspond à un intervalle de temps (T_Agrégat) inférieur ou égal à 10 minutes.
Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (F_Agrégat) est réglable.
Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (F_Agrégat).
Procédé selon l’une quelconque des revendications précédentes, dans lequel le pas de glissement de la fenêtre temporelle glissante (F_Agrégat) est réglable.
Procédé selon l’une quelconque des revendications précédentes, dans lequel l’étape (e) comprend l’utilisation du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.
Système de détection de la somnolence comportant un module d’acquisition (1) d’un signal cardiaque (1a) d’un individu, un module (2) de traitement du signal cardiaque (1a), adapté pour réaliser l’étape (b) du procédé de détection de l’une quelconque des revendications précédentes, un module d’extraction (3) adapté pour réaliser l’étape (c) du procédé de détection de l’une quelconque des revendications précédentes, un module de calcul (4) adapté pour réaliser l’étape (d) du procédé de détection de l’une quelconque des revendications précédentes, et un module (5) de traitement du ou des agrégats de forme calculés par le module de calcul (4), lequel module de traitement (5) est adapté pour détecter la somnolence de l’individu à partir de ces agrégats.
Utilisation du système de détection de la revendication 16 pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule.
Produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins les étapes suivantes :
(a) une acquisition d’un signal cardiaque (1a) d’un individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque (1a) permettant la détection des intervalles de temps (δt_i) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (δti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δt_i) entre battements cardiaques successifs,
(d) un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV,qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (F_Agrégat), chaque agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (F_Agrégat),
et de préférence
(e) un traitement du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu.