FR3113457A1 - Dispositif de mesure de données vitales et procédé de mesure de données vitales - Google Patents

Abstract

Dispositif de mesure de données vitales et procédé de mesure de données vitales Le dispositif de mesure de données vitales (100) comprend : un module de construction de modèle (301) qui construit un modèle d’apprentissage (322) au moyen d’un apprentissage automatique basé sur des premières données vitales étiquetées comme étant correctes et des deuxièmes données vitales mesurées lors d’une période d’échantillonnage correspondant auxdites premières données vitales ; et un module d’entrée de données vitales (303) qui entre des troisièmes données vitales acquises à partir d’un capteur (120, 130) à partir duquel lesdites deuxièmes données vitales sont émises dans ledit modèle d’apprentissage (322) ; et un module de communication (330) qui délivre en sortie des troisièmes données vitales à la suite du traitement par ledit modèle d'apprentissage (322) vers une destination de sortie prédéterminée. Figure pour l'abrégé : 1

Description

Dispositif de mesure de données vitales et procédé de mesure de données vitales

La présente invention porte sur un dispositif de mesure de données vitales et sur un procédé de mesure de données vitales.

Le document JP 2002-71825 (document de brevet 1) concerne un dispositif de détection à micro-ondes d'un corps humain et indique : « Le dispositif de détection à micro-ondes d'un corps humain comprend une antenne unique destinée à émettre et recevoir des micro-ondes dans un cadre de vie quotidienne telle que des toilettes, une salle de bain, une cuisine, une baignoire, une douche et autres, des moyens de détection des micro-ondes reçues par ladite antenne, des moyens de comparaison de la sortie des moyens de détection de composante de changement avec une position prédéterminée, et des moyens de détection de la présence d'un individu et d’informations biologiques liées par le biais de signaux provenant desdits moyens de comparaison ».

Ces dernières années, l'attention s'est portée sur les technologies de détection d'états biologiques tels que des anomalies de santé ou des changements de condition physique, en mesurant des données vitales comme le pouls et la fréquence cardiaque d’un conducteur, et qui contrôlent automatiquement le véhicule en émettant des alertes ou en arrêtant le véhicule afin d'éviter des accidents. Cependant, il est difficile d'obtenir des données vitales précises avec une composante de bruit faible, car les données vitales mesurées à l'intérieur d'un corps en mouvement incluent un bruit de vibration de ce corps en mouvement.

Le document de brevet 1 divulgue un dispositif de détection à micro-ondes d’un corps humain qui utilise des micro-ondes pour détecter la présence et les informations biologiques d'un individu. Cependant, la technologie divulguée dans ce document étant destinée à la détection du pouls et de la fréquence cardiaque d'un individu dans un lieu de vie tel que des toilettes ou une salle de bain, elle ne traite pas de l'acquisition de données vitales dans un environnement contenant des bruits de vibrations. Par conséquent, lorsque la technologie de ce document est appliquée à un objet en mouvement, le bruit de vibration de l'objet est mesuré par la même occasion, et il n'est pas possible d'obtenir des données vitales d’une bonne précision.

Il existe également un procédé consistant à utiliser un capteur de haute précision capable d'acquérir des données vitales en éliminant les composantes de bruit, mais le coût élevé de tels capteurs rend difficile leur utilisation dans des véhicules.

Par conséquent, la présente invention a pour objet l’acquisition de données vitales avec une précision de détection équivalente à celle d'un capteur de haute précision au moyen d’un capteur de faible précision.

La présente invention propose une pluralité de moyens pour résoudre au moins une partie des problématiques susmentionnées, dont quelques exemples sont présentés ci-dessous. Un dispositif de mesure de données vitales selon un aspect de la présente invention qui résout le problème susmentionné comprend un module de construction de modèle qui construit un modèle d'apprentissage par apprentissage automatique en utilisant des premières données vitales étiquetées comme étant correctes et des deuxièmes données vitales mesurées lors d’une période d'échantillonnage correspondant auxdites premières données vitales, un module d’entrée de données vitales qui entre des troisièmes données vitales acquises à partir du capteur à partir duquel lesdites deuxièmes données vitales sont émises dans ledit modèle d’apprentissage, et un module de communication qui délivre en sortie des troisièmes données vitales à la suite du traitement du modèle d'apprentissage vers une destination de sortie prédéterminée.

Par ailleurs, lesdites deuxièmes données vitales peuvent inclure plus de bruit que les premières données vitales, et le bruit dans les troisièmes données vitales émises à la suite du traitement par le modèle d'apprentissage peut être réduit par rapport au bruit contenu dans les troisièmes données vitales avant qu’elles ne soient entrées dans le modèle d'apprentissage.

En outre, le bruit peut être un bruit provoqué par les vibrations du véhicule.

De plus, la présente invention peut également inclure un module de stockage destiné au stockage d’au moins un desdits modèles d'apprentissage construits en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d'un utilisateur, et en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d’un individu appartenant à une catégorie prédéterminée définie selon une combinaison de types et de plages de caractéristiques physiques.

Lesdits modèles d'apprentissage peuvent être stockés dans le module de stockage avec les informations d'identification d'utilisateur ou lesdites informations d'identification d'utilisateur et lesdites catégories prédéterminées, et la présente invention peut en outre comprendre un module d'authentification d'utilisateur qui extrait dudit module de stockage ledit modèle d'apprentissage correspondant aux informations d'identification dudit utilisateur ou à ladite catégorie à laquelle ledit utilisateur appartient.

En outre, un procédé de mesure de données vitales selon un autre aspect de la présente invention est un procédé de mesure de données vitales réalisé par un dispositif de mesure de données vitales, dans lequel ledit dispositif de mesure de données vitales réalise une étape de construction d’un modèle d'apprentissage par apprentissage automatique en utilisant de premières données vitales étiquetées comme étant correctes et de deuxièmes données vitales mesurées à une période d'échantillonnage correspondant auxdites premières données vitales, une étape d’entrée de données vitales consistant à entrer de troisièmes données vitales acquises à partir du capteur à partir duquel lesdites deuxièmes données vitales sont émises dans ledit modèle d’apprentissage, et une étape de délivrance en sortie de troisièmes données vitales à la suite du traitement par le modèle d'apprentissage vers une destination de sortie prédéterminée.

Par ailleurs, lesdites deuxièmes données vitales peuvent inclure plus de bruit que les premières données vitales, et le bruit dans les troisièmes données vitales émises à la suite du traitement par le modèle d'apprentissage peut être réduit par rapport au bruit contenu dans les troisièmes données vitales avant qu’elles ne soient entrées dans le modèle d'apprentissage.

En outre, le bruit peut être un bruit provoqué par les vibrations du véhicule.

De plus, la présente invention peut également inclure une étape de stockage qui consiste à stocker au moins un desdits modèles d'apprentissage construits en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d'un utilisateur, et en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d’un individu appartenant à une catégorie prédéterminée définie selon une combinaison de types et de plages de caractéristiques physiques.

En outre, ladite étape de stockage peut également inclure un stockage des informations d'identification d'utilisateur ou des informations d'identification dudit utilisateur et ladite catégorie prédéterminée en correspondance dans ledit modèle d'apprentissage, et une étape d'authentification d'utilisateur au cours de laquelle un modèle d'apprentissage correspondant est récupéré sur la base desdites informations d'identification dudit utilisateur ou de ladite catégorie à laquelle ledit utilisateur appartient.

Selon la présente invention, un capteur de faible précision peut être utilisé pour obtenir des données vitales avec une précision de détection équivalente à celle d'un capteur de haute précision.

Les problèmes, configurations ou résultats autres que ceux décrits ci-dessus apparaitront dans la description des modes de réalisation fournie plus bas à titre d’exemple et faite en référence aux dessins annexés, dans lesquels :

- La représente un exemple de configuration schématique d'un dispositif de mesure de données vitales selon le premier mode de réalisation.

- La représente un schéma fonctionnel d’un exemple de configuration fonctionnelle du dispositif de calcul d’un dispositif de mesure de données vitales.

- La représente un diagramme de flux d'un exemple de processus de construction d’un modèle d'apprentissage.

- La représente un diagramme de flux d’un exemple de traitement de mesures de données vitales.

- La représente un schéma fonctionnel d’un exemple de configuration fonctionnelle d'un dispositif de mesure de données vitales et d'un dispositif serveur selon un second mode de réalisation.

Des exemples de modes de réalisation de la présente invention sont fournis ci-dessous.

Mode de réalisation 1

La représente un exemple de configuration schématique d'un dispositif de mesure de données vitales 100. Le dispositif de mesure de données vitales 100 est destiné à mesurer des données vitales, telles que le pouls et la fréquence cardiaque, d'un utilisateur (par exemple, un conducteur) se déplaçant dans un corps en mouvement tel qu'un véhicule. Comme illustré, le dispositif de mesure de données vitales 100 comporte un dispositif calcul 110, un capteur A 120, un capteur B 130, un dispositif de communication 140, et un dispositif de stockage 150. En outre, le dispositif de calcul 110, le dispositif de communication 140, et le dispositif de mémoire 150, le capteur A 120, et le capteur B 130 du dispositif de mesure de données vitales 100 peuvent être logés dans un même boîtier, ou le dispositif de calcul 110, le dispositif de communication 140, et le dispositif de mémoire 150, le capteur A 120, et le capteur B 130 peuvent chacun être logés dans des boîtiers distincts. De plus, le dispositif de calcul 110, le capteur A 120 et le capteur B 130 sont connectés les uns aux autres par des câbles de transmission ou un protocole de communication sans fil prédéterminé (par exemple, Bluetooth : marque déposée).

Le dispositif de calcul 110 est un dispositif qui effectue diverses opérations de traitement arithmétique du dispositif de mesure de données vitales 100. Comme le montre la figure, le dispositif de calcul 110 comprend une unité centrale de traitement (CPU) 111 qui exécute diverses opérations de traitement arithmétique réalisées par le dispositif de calcul 110, une mémoire morte (ROM) 112 qui stocke, entre autres, un programme exécuté par la CPU 111, une mémoire vive (RAM) 113 qui stocke temporairement diverses informations lues dans la ROM 112, et une interface (I/F) 114 permettant de connecter électriquement le dispositif de calcul 110 avec le capteur A 120 et le capteur B 130, ainsi qu’un bus 115 permettant d'interconnecter ces derniers.

Le dispositif de calcul 110 acquiert des données vitales, qui sont des données de détection d'un utilisateur, à partir du capteur A 120 et du capteur B 130, dotés chacun d’une précision différente, et construit (génère) un modèle d'apprentissage en effectuant un apprentissage automatique sur la base des données vitales acquises.

En outre, le dispositif de calcul 110 entre les données vitales mesurées par un capteur (dans cet exemple, le capteur B 130, qui est moins précis qu'un autre capteur (dans cet exemple, le capteur A 120), dans le modèle d'apprentissage et obtient des valeurs de sortie qui sont le résultat d’un traitement arithmétique par le modèle d'apprentissage, obtenant ainsi des données vitales avec une précision qui est sensiblement équivalente à celle des données vitales mesurées par le capteur doté d’une plus grande précision (dans cet exemple, le capteur A 120). Par données vitales dont la précision est sensiblement équivalente à celle de données vitales mesurées par un capteur de plus grande précision, on entend des données vitales dans lesquelles le bruit de vibration du véhicule, contenu dans les données vitales mesurées par un capteur de faible précision, est réduit au même niveau que dans les données vitales mesurées par un capteur de grande précision.

Le dispositif de calcul 110 convertit les données vitales, qui sont les valeurs de sortie du modèle d'apprentissage ou les données vitales de sortie du capteur B 130, en un format de données prédéterminé qui peut être utilisé par l'unité principale 200 (par exemple, un dispositif embarqué tel qu'un dispositif de navigation ou une unité audionumérique (Digital Audio - D/A), ou une unité de commande de moteur (Engine Control Unit - ECU)), et les délivre en sortie vers ces dispositifs. Le dispositif embarqué ou analogue identifie l'état biologique (par exemple, la somnolence) de l'utilisateur en utilisant les données vitales acquises à partir du dispositif de mesure de données vitales 100, et agit (par exemple, en jouant de la musique, ou en commandant le climatiseur pour changer la température dans la voiture) en conséquence.

Le capteur A 120 et le capteur B 130 sont des capteurs qui réalisent une détection d’un utilisateur. Dans le présent mode de réalisation, lorsque le capteur A 120 est un capteur de haute précision et le capteur B 130 est un capteur de faible précision dont la précision est inférieure à celle du capteur A 120, le capteur A 120 est, par exemple, un capteur à contact, tel qu'un électrocardiographe, et le capteur B 130 est, par exemple, un capteur sans contact, tel qu'un capteur Doppler. En outre, l'électrocardiographe peut, par exemple, être utilisé comme dispositif médical pour détecter la fréquence respiratoire et le pouls en captant la faible électricité émise par le corps humain. Le capteur Doppler est un capteur d'ondes radio qui irradie des micro-ondes ou des ondes millimétriques sur le corps humain et détecte la fréquence respiratoire et le pouls en fonction des ondes réfléchies.

Le capteur A 120 et le capteur B 130 ne sont pas limités à ces types de capteurs, mais peuvent également être des capteurs capables de mesurer des données vitales de l'utilisateur et présentant une précision différente de celle du capteur A 120 et du capteur B 130. Le capteur A 120 et le capteur B 130 mesurent les données vitales d'un individu pendant un même cycle d'échantillonnage.

Le dispositif de communication 140 est un module de communication ou analogue destiné à communiquer des informations avec un dispositif externe (par exemple, l'unité principale 200). Le dispositif de communication 140 transmet les données vitales à l'unité principale 200 après avoir converti le format des données.

Le dispositif de stockage 150 est un disque dur (Hard Disk Drive), un disque statique (SSD), une mémoire flash ou tout autre dispositif de stockage non volatile capable de stocker des informations numériques. Le dispositif de stockage 150 stocke, par exemple, diverses informations utilisées pour la construction de modèles d'apprentissage ainsi que les modèles d'apprentissage construits.

La représente un schéma fonctionnel d’un exemple de configuration fonctionnelle du dispositif de calcul 110 d’un dispositif de mesure de données vitales 100. Comme illustré, le dispositif de calcul 110 comporte un module de calcul 300, un module de commande 310, un module de stockage 320, et un module de communication 330.

Le module de calcul 300 est un module fonctionnel qui réalise diverses tâches de traitement exécutées par le dispositif de calcul 110. Plus précisément, le module de calcul 300 comporte un module de construction de modèle 301, un module d'authentification d'utilisateur 302, un module d'entrée de données vitales 303, et un module de conversion de format de données 304.

Le module de construction de modèle 301 est un module fonctionnel qui construit un modèle d'apprentissage 322. Plus précisément, le module de construction de modèle 301 construit le modèle d'apprentissage 322 en effectuant un apprentissage automatique sur la base des données vitales acquises à partir de chacun des capteurs A 120 et B 130. Le processus de construction du modèle d'apprentissage 322 sera décrit plus bas.

Le module d'authentification d'utilisateur 302 est un module fonctionnel qui réalise l'authentification de l'utilisateur sur la base d’informations d'utilisateur. Les informations relatives à l'utilisateur comprennent un ID d’utilisateur, permettant d’identifier l'utilisateur, ainsi qu’une catégorie à laquelle il appartient parmi des catégories prédéterminées définies sur la base de caractéristiques physiques. Le module d'authentification d’utilisateur 302 extrait le modèle d'apprentissage 322 associé à l'ID d'utilisateur ou à la catégorie à laquelle l'utilisateur appartient à partir du module de stockage 320.

Le module d'entrée de données vitales 303 est un module fonctionnel qui entre les données vitales acquises à partir du capteur B 130 dans le modèle d'apprentissage 322.

Le module de conversion de format de données 304 est un module fonctionnel qui acquiert les valeurs de sortie (données vitales après traitement informatique) résultant du calcul du modèle d'apprentissage 322 et convertit ces valeurs de sortie en un format de données qui peut être utilisé par l'unité principale 200. Plus précisément, le module de conversion de format de données 304 acquiert les données vitales entrées dans le modèle d'apprentissage 322, qui sont les valeurs de sortie du modèle d'apprentissage 322 après traitement informatique ou les données vitales de sortie du capteur B 130, et les convertit en un format de données utilisable par l'unité principale 200. Le module de conversion de format de données 304 envoie également les données vitales converties à l'unité principale 200 par l'intermédiaire du module de communication 330. Le format des données à convertir peut être, par exemple, des données de formes d'onde représentant le pouls et la fréquence cardiaque, ou encore des données numériques indiquant le pouls et la fréquence cardiaque. Le type de format des données ne saurait être limité. Par exemple, le module de conversion de format de données 304 peut générer des données RRI (intervalle R-R : séries chronologiques de données relatives aux variations de la fréquence cardiaque) utilisées pour détecter un état mental d'un utilisateur (tel qu'un état détendu ou un état impatient) en réponse à une demande de l'unité principale 200.

Le module de commande 310 est un module fonctionnel qui commande le fonctionnement du capteur A 120 et du capteur B 130. Plus précisément, le module de commande 310 émet des instructions de mesure de données vitales vers le capteur A 120 et le capteur B 130. En outre, le module de commande 310 envoie des instructions au capteur A 120 et au capteur B 130 pour des objets de commande prédéterminés, tels que la reconnaissance de la position de l'utilisateur, la durée de détection de l'utilisateur et la gamme de fréquences de l'onde radio à émettre.

Le module de stockage 320 est un module fonctionnel permettant de stocker diverses données. Plus précisément, le module de stockage 320 stocke divers modèles de base 321 aidant à la construction du modèle d'apprentissage 322. Il existe différents types de modèles de base 321, tels que l’analyse par régression multiple et les réseaux neuronaux. Le module de stockage 320 stocke également les modèles d'apprentissage 322 construits.

Une pluralité de modèles d'apprentissage 322 construits par détection d’un utilisateur d'un véhicule dans lequel le dispositif de mesure de données vitales 100 est monté et par détection effectuée sur des individus (autres que l'utilisateur) appartenant à chaque catégorie définie sur la base de caractéristiques physiques sont stockés. Ces modèles d'apprentissage 322 sont stockés dans le module de stockage 320 avec des ID d'utilisateur et les catégories de types qui leur sont associés.

Le module de communication 330 est un module fonctionnel qui assure une communication d'informations avec l'unité principale 200. Plus précisément, le module de communication 330 transmet les données vitales, après conversion du format de données, à l'unité principale 200.

La configuration fonctionnelle du dispositif de mesure de données vitales 100 a été décrite ci-dessus.

Le module de calcul 300 et le module de commande 310 sont mis en œuvre par le biais de programmes qui amènent l'unité centrale de traitement 111 du dispositif de calcul 110 à effectuer un traitement. Ces programmes sont stockés, par exemple, dans la ROM 112, chargés dans la RAM 113 pour exécution, et exécutés par l’unité centrale de traitement 111. Le module de commande 310 peut être mis en œuvre par le biais d’un circuit de commande prédéterminé. Le module de stockage 320 est mis en œuvre par le biais de la RAM 113 ou de la ROM 112 ou du dispositif de stockage 150, ou d’une combinaison de ceux-ci. Le module de communication 330 est mis en œuvre par le biais du dispositif de communication 140.

Chaque bloc fonctionnel du dispositif de mesure de données vitales 100 est classé en fonction du contenu principal du traitement afin de faciliter la compréhension de chaque fonction réalisée dans le présent mode de réalisation. Par conséquent, la présente invention n'est pas limitée par la manière dont chaque fonction est catégorisée ou désignée. Chacun des composants du dispositif de mesure de données vitales 100 peut également être réparti en plusieurs composants en fonction du contenu du traitement. Il est également possible d’employer une répartition telle qu'un composant puisse effectuer plusieurs tâches de traitement.

L’ensemble ou une partie de chaque module fonctionnel peut reposer sur du matériel (par exemple, un circuit intégré, tel qu'un ASIC) mis en œuvre dans un ordinateur. En outre, le traitement de chaque module fonctionnel peut être exécuté par un ou plusieurs dispositifs matériels.

Le processus de construction d’un modèle d’apprentissage exécuté par le dispositif de mesure de données vitales 100 va maintenant être décrit.

La représente un diagramme de flux d'un exemple de processus de construction d’un modèle d'apprentissage. Un tel processus est lancé, par exemple, lorsqu’un utilisateur (ou un individu autre que l'utilisateur) reçoit une instruction d’exécuter le processus de construction de modèle d'apprentissage pendant la conduite. Ci-dessous est décrit à titre d’exemple le cas où un modèle d'apprentissage 322 est construit pour un utilisateur.

Lorsque le processus est lancé, le module de commande 310 émet (étape S001) des instructions vers le capteur A 120 et le capteur B 130 pour effectuer une détection d’un utilisateur (par exemple, un conducteur). Sur la base de ces instructions, le capteur A 120 et le capteur B 130 effectuent une détection de l'utilisateur pendant une période de temps prédéterminée (par exemple, 60 minutes) puis transmettent le résultat de la détection, à savoir les données vitales, au module de construction de modèle 301.

Ensuite, le module de construction de modèle 301 acquiert (étape S002) des données vitales à partir du capteur A 120 et du capteur B 130, respectivement. En outre, le module de construction de modèle 301 stocke temporairement les données vitales acquises dans le module de stockage 320.

Ensuite, le module de construction de modèle 301 crée un ensemble de données au moyen de tâches de traitement effectuées lors des étapes S003 à S005. Plus précisément, le module de construction de modèle 301 effectue (étape S003) un nettoyage des données. Plus spécifiquement, le module de construction de modèle 301 réalise la suppression des valeurs aberrantes et un traitement complémentaire des informations ne pouvant pas être lues comme des valeurs numériques (NaN) à partir des données vitales acquises. Le traitement complémentaire est effectué d'une manière prédéterminée, par exemple, en adoptant le milieu des valeurs avant et après l'emplacement des données NaN.

Ensuite, le module de construction de modèle 301 effectue (étape S004) une normalisation des données. Plus précisément, le module de construction de modèle 301 normalise les données vitales de façon à ce qu'elles soient comprises dans la plage de 0 à 1. La méthode employée pour le processus de normalisation étant bien connue, aucune explication détaillée ne sera ici fournie.

Ensuite, le module de construction de modèle 301 divise (étape S005) l'ensemble de données. Plus précisément, le module de construction de modèle 301 divise les données vitales acquises à partir de chacun des capteurs A 120 et B 130 en données destinées à un entraînement et en données destinées à être utilisées lors d’une vérification de la précision décrite ci-dessous. Le rapport de division entre les données d’entraînement et les données de validation est arbitraire. Par exemple, les données d'entraînement et les données de validation sont divisées selon des proportions arbitraires telles que 6:4 ou 7:3.

Ensuite, le module de construction de modèle 301 construit le modèle d'apprentissage 322 par l’intermédiaire des tâches de traitement des étapes S006 à S010. Plus précisément, le module de construction de modèle 301 détermine (étape S006) le modèle de base 321. Plus spécifiquement, le module de construction de modèle 301 extrait un modèle de base 321 prédéterminé (par exemple, un modèle de base 321 qui a été sélectionné au préalable par un concepteur) à partir du module de stockage 320 et le définit comme modèle de base à utiliser pour la construction de modèles. Il existe différents types de modèles de base 321, tels que l’analyse par régression multiple et les réseaux neuronaux.

Ensuite, le module de construction de modèle 301 procède (étape S007) à un apprentissage automatique en utilisant les données d'entraînement. Le processus d’apprentissage automatique va maintenant être décrit. Le module de construction de modèle 301 utilise les données d'entraînement des données vitales acquises à partir du capteur A 120 (ci-après parfois appelées les données d'entraînement du capteur A 120) étiquetées comme étant les « valeurs correctes », et les données d'entraînement des données vitales acquises à partir du capteur B 130 (ci-après parfois appelées les données d'entraînement du capteur B 130) à titre de corps de données.

Plus précisément, le module de construction de modèle 301 entre les données d'entraînement du capteur B 130 dans la fonction de transfert indiquée par le modèle de base 321 déterminé, tel qu'une analyse par régression multiple ou un réseau neuronal, et compare les valeurs de sortie du modèle de base 321 comme résultat de prédiction pour l'étiquette avec les valeurs des données d’entraînement (étiquetées « valeurs correctes ») correspondantes du capteur A 120. En outre, le module de construction de modèle 301 renvoie la valeur de la différence entre les valeurs de sortie et les valeurs des données d'entraînement du capteur A 120, et modifie les variables étudiées de la fonction de transfert. Le module de construction de modèle 301 effectue un apprentissage automatique en exécutant de tels processus de prédiction et de rétroaction pour toutes les données d'entraînement, et construit le modèle d'apprentissage 322.

Ensuite, le module de construction de modèle 301 effectue (étape S008) une vérification de la précision du modèle d'apprentissage 322 à l’aide des données de validation. Plus précisément, le module de construction de modèle 301 introduit des données destinées à la validation des données vitales acquises à partir du capteur B (130) (ci-après parfois appelées données de validation du capteur B 130) dans le modèle d'apprentissage 322 construit. En outre, le module de construction de modèle 301 vérifie la précision du modèle d'apprentissage 322 construit sur la base de la différence entre les valeurs de sortie d’un tel modèle d'apprentissage 322 et les données de validation des données vitales acquises à partir du capteur A 120 (ci-après parfois appelées les données de validation du capteur A 120).

Ensuite, le module de construction de modèle 301 détermine (étape S009) si la précision du modèle d'apprentissage 322 est suffisante ou non. Plus précisément, le module de construction de modèle 301 base sa prise de décision sur le fait que la précision du modèle d'apprentissage 322 vérifiée à l'étape S008 satisfait ou non une valeur standard prédéterminée qui est jugée suffisante. Si la précision est jugée suffisante (Oui à l'étape S009), le module de construction de modèle 301 fait passer le processus à l'étape S010. En revanche, s'il est déterminé que la précision n'est pas suffisante (Non à l'étape S009), le module de construction de modèle 301 renvoie le processus à l'étape S007.

Dans les processus de l'étape S007 et de l'étape S008, qui sont exécutés après renvoi depuis l'étape S009, le module de construction de modèle 301 exécute ces processus en utilisant de nouvelles données d'entraînement et de nouvelles données de validation. Plus précisément, le module de construction de modèle 301 émet des instructions au capteur A 120 et au capteur B 130 via le module de commande 310 pour exécuter une nouvelle détection, et acquiert de nouvelles données vitales, réalisant ainsi le même processus en utilisant des données différentes des données utilisées dans le traitement des étapes S007 et S008 mentionnées ci-dessus.

A l'étape S010, le module de construction de modèle 301 stocke (sauvegarde) dans le module de stockage 320 des catégories prédéterminées définies sur la base de l'ID d’utilisateur et de caractéristiques physiques en les mettant en correspondance avec le modèle d'apprentissage 322 construit.

Le processus de ce flux s’achève lorsque le module de construction de modèle 301 sauvegarde le modèle d’apprentissage 322.

Dans le cas de la construction d’un modèle d'apprentissage 322 pour un individu autre que l'utilisateur, le module de construction de modèle 301 construit un modèle d'apprentissage 322 correspondant à chaque catégorie en effectuant une détection sur une personne appartenant à chaque catégorie définie sur la base de caractéristiques physiques. Les catégories sont classées en fonction du type de caractéristiques physiques et de la combinaison de leurs plages. Deux exemples de catégories pourraient être : « sexe = homme, âge = 30 ans, taille = 170 cm-180 cm, poids = 60 kg-70 kg, maladie chronique = aucune » et « sexe = femme, âge = 40 ans, taille = 150 cm-160 cm, poids = 50 kg-60 kg, maladie chronique = aucune ».

Le module de construction de modèle 301 effectue une détection sur une personne de la population statistique appartenant aux catégories définies, et construit un modèle d'apprentissage 322 correspondant à chaque catégorie en utilisant les données vitales ainsi acquises.

Par conséquent, dans le processus de mesure de données vitales décrit ci-dessous, l'utilisateur peut mesurer les données vitales en appliquant le modèle d'apprentissage 322 construit par détection d’une personne ou le modèle d'apprentissage 322 construit par détection d’un individu appartenant à la même catégorie que l'utilisateur sur la base de l'authentification d'utilisateur.

Le processus de mesure de données vitales effectué par le dispositif de mesure de données vitales 100 va maintenant être décrit.

La représente un diagramme de flux d’un exemple de traitement de mesures de données vitales. Ce traitement est lancé, par exemple, au démarrage du moteur du véhicule (lorsque la clé de contact est positionnée sur ON) à la réception d’une instruction de lancement du traitement par l'utilisateur. Le démarrage du moteur peut être détecté par le module d'authentification d'utilisateur 302 qui acquiert des informations indiquant que le moteur a démarré à partir de l’unité de commande de moteur via le module de communication 330, par exemple. L'instruction de démarrage par l'utilisateur peut être déclenchée, par exemple, par pression d’un bouton de commande de démarrage de traitement fourni par le dispositif de mesure de données vitales 100, qui peut être détectée par le module d'authentification d'utilisateur 302.

Lorsque le traitement est lancé, le module d'authentification d'utilisateur 302 effectue (S021) une authentification personnelle de l'utilisateur. Plus précisément, le module d'authentification d'utilisateur 302 récupère le modèle d'apprentissage 322 auquel est associé l'ID d’utilisateur entré via le dispositif d'entrée prédéterminé à partir du module de stockage 320. Dans le cas où un tel modèle d'apprentissage 322 n'existerait pas, le module d'authentification d'utilisateur 302 récupère un modèle d'apprentissage 322 associé à une catégorie à laquelle l'utilisateur appartient à partir du module de stockage 320.

Le dispositif d'entrée prédéterminé peut être un module principal 200, comme un dispositif de navigation, par exemple. Dans ce cas, le module d'authentification d'utilisateur 302 peut obtenir les informations d'entrée de l'utilisateur à partir de l'unité principale 200 par l’intermédiaire du module de communication 330. Le dispositif d'entrée peut également être fourni par le dispositif de mesure de données vitales 100.

La méthode d'authentification ne se limite pas à l’entrée d'informations relatives à l'utilisateur. Par exemple, lorsque le véhicule est équipé d'une caméra embarquée qui capture des images à l’intérieur du véhicule, le module d'authentification d'utilisateur 302 peut acquérir les informations d'images capturées par la caméra embarquée et les utiliser pour effectuer une authentification de visage afin d'identifier les caractéristiques physiques de l'utilisateur. Lorsque cette méthode est employée, le dispositif de mesure de données vitales 100 doit être connecté à la caméra embarquée par l'intermédiaire du dispositif de communication 140 pour permettre la communication d’informations.

La méthode d'authentification peut également être une authentification par empreinte digitale. Lorsque cette méthode est employée, il suffit que le dispositif de mesure de données vitales 100 soit équipé d'un capteur d'authentification d’empreintes digitales. En variante, lorsqu'un capteur d'authentification d'empreintes digitales est installé à un emplacement prédéterminé du véhicule (par exemple, un volant, etc.), le dispositif de mesure de données vitales 100 peut identifier les caractéristiques physiques de l'utilisateur en acquérant des informations d'empreintes digitales à partir de l’unité de commande de moteur connectée via le dispositif de communication 140, par exemple, et en faisant correspondre les informations d'empreintes digitales aux informations d'empreintes digitales déjà stockées dans la mémoire 320.

Ensuite, le module d'authentification d'utilisateur 302 détermine (étape S022) s'il existe ou non un modèle d'apprentissage 322 correspondant. Plus précisément, le module d'authentification d'utilisateur 302 effectue une telle détermination en fonction du fait que le modèle d'apprentissage 322 auquel est associé l'ID d'utilisateur ou la catégorie à laquelle appartient l'utilisateur est stocké ou non dans le module de stockage 320. Ensuite, s'il est déterminé qu'il existe un modèle d'apprentissage 322 correspondant (Oui à l'étape S022), le module d'authentification d'utilisateur 302 fait passer le processus à l'étape S023. D'autre part, s'il est déterminé qu'il n'y a pas de modèle d'apprentissage 322 correspondant (Non à l'étape S022), le module d'authentification d'utilisateur 302 fait passer le processus à l'étape S029.

A l'étape S029, le module d'entrée de données vitales 303 notifie à l'utilisateur l’absence de modèle d'apprentissage 322 correspondant. Par exemple, le module d'entrée de données vitales 303 génère un message prédéterminé notifiant qu'il n'y a pas de modèle d'apprentissage 322 correspondant, et affiche ce message sur un dispositif d'affichage d'équipement embarqué, à savoir l'unité principale 200, via le module de communication 330.

Ensuite, le module d'entrée de données vitales 303 envoie (étape S030) une instruction de mesure de données vitales au capteur B 130 via le module de commande 310. Puis, le module de conversion de format de données 304 acquiert (étape S031) les données vitales mesurées par le capteur B 130 et les convertit (étape S032) dans un format de données prédéterminé. Ensuite, le module de conversion de format de données 304 délivre en sortie (étape S033) les données vitales après conversion du format de données vers l'unité principale 200 via le module de communication 330. Le processus de ce flux s’achève lorsque le module de conversion de format de données 304 envoie les données vitales à l'unité principale 200.

Dans le processus de l'étape S023, à laquelle le flux passe lorsqu'il est déterminé qu'il existe un modèle d'apprentissage 322 correspondant, le module d'authentification d'utilisateur 302 obtient le modèle d'apprentissage 322 correspondant à partir du module de stockage 320.

Ensuite, le module d'entrée de données vitales 303 envoie (étape S024) une instruction de mesure de données vitales au capteur B 130 via le module de commande 310. Puis, le module d'entrée de données vitales 303 acquiert (étape S025) les données vitales émises en sortie du capteur B 130 et les introduit (étape S026) dans le modèle d'apprentissage 322 récupéré.

Ensuite, le module de conversion de format de données 304 acquiert les valeurs de sortie (données vitales après traitement informatique) émises comme résultat du calcul du modèle d'apprentissage 322 et les convertit en un format de données prédéterminé (étape S027). Ensuite, le module de conversion de format de données 304 délivre en sortie (étape S028) les données vitales après conversion du format de données vers l'unité principale 200 via le module de communication 330. Le processus de ce flux s’achève lorsque le module de conversion de format de données 304 envoie les données vitales à l'unité principale 200.

Le dispositif de mesure de données vitales 100 du présent mode de réalisation a été décrit ci-dessus.

Grâce à ce dispositif de mesure de données vitales, il est possible d'acquérir des données vitales avec une précision de détection équivalente à celle d'un capteur de haute précision en utilisant un capteur de faible précision. En particulier, le dispositif de mesure de données vitales effectue un apprentissage automatique en utilisant des données vitales émises par un capteur de haute précision et un capteur de faible précision ayant une précision inférieure à celle du capteur de haute précision, et construit un modèle d'apprentissage dans lequel les données vitales émises par le capteur de faible précision, présentant un bruit de vibration réduit au même niveau que celui des données vitales émises par le capteur de haute précision, sont utilisées comme valeurs de sortie. Il est ainsi possible d'obtenir des données vitales avec le même niveau de précision que lorsqu'un capteur de haute précision est utilisé, même lorsque les données vitales sont mesurées à l'aide d'un capteur de faible précision relativement peu coûteux.

Si les capteurs à contact présentent l'avantage d'une plus grande précision de détection que les capteurs sans contact, ils présentent également l'inconvénient d'être difficiles à installer. Selon le dispositif de mesure de données vitales du présent mode de réalisation, une précision de détection équivalente à celle d'un capteur à contact peut être obtenue même avec un capteur sans contact, et la convivialité peut ainsi être améliorée tout en garantissant une précision de détection élevée.

Mode de réalisation 2

La représente un schéma fonctionnel d’un exemple de configuration fonctionnelle d'un dispositif de mesure de données vitales 100 et d'un dispositif serveur 400 selon le présent mode de réalisation. Comme illustré, le dispositif de mesure de données vitales 100 est interconnecté au dispositif serveur 400 par l’intermédiaire d’un réseau N prédéterminé, tel qu'un LAN (Local Area Network, réseau local), par exemple.

Puisque le module de calcul 410, le module de construction de modèle 411, le module de stockage 420, le modèle de base 421, et le module de communication 430 contenus dans le dispositif serveur 400 sont chacun des modules fonctionnels et des informations qui servent au même traitement que le module de calcul 300 et le module de construction de modèle 301, le module de stockage 320 et le modèle de base 321, et le module de communication 330 dans le dispositif de mesure de données vitales 100 du premier mode de réalisation, leur description détaillée est omise dans ce mode de réalisation.

Dans le premier mode de réalisation décrit ci-dessus, le modèle d'apprentissage 322 a été construit par le dispositif de mesure de données vitales 100, mais dans le présent mode de réalisation, les données vitales acquises à partir du capteur A 120 et du capteur B 130 sont transmises au dispositif serveur 400, et le modèle d'apprentissage (322) est construit par le module de construction de modèle 411 compris dans le module de calcul 410 du dispositif serveur 400.

Plus précisément, lorsque le module de calcul 300 du dispositif de mesure de données vitales 100 acquiert des données vitales à partir du capteur A 120 et du capteur B 130 lors du processus de construction du modèle d'apprentissage, il transmet les données au dispositif serveur 400 par l’intermédiaire du module de communication 330. Lorsque le module de construction de modèle 411 du dispositif serveur 400 acquiert les données vitales par l'intermédiaire du module de communication 430, le modèle d'apprentissage 322 est construit suivant le même processus que celui des étapes S002 à S010.

Le modèle d'apprentissage 322 construit par le module de construction de modèle 411 du dispositif serveur 400 est transmis au dispositif de mesure de données vitales 100 par l'intermédiaire du module de communication 430 du dispositif serveur 400 et stocké dans le module de stockage 320. Le dispositif de mesure de données vitales 100 exécute également le même processus de mesure de données vitales que celui décrit ci-dessus en utilisant le modèle d'apprentissage 322 stocké dans le module de stockage 320.

Selon le dispositif de mesure de données vitales et le dispositif serveur du second mode de réalisation, étant donné que la construction du modèle d'apprentissage peut être effectuée par le dispositif serveur avec des performances de traitement élevées, les spécifications du dispositif de mesure de données vitales peuvent être supprimées, et par conséquent, le coût de fabrication peut être réduit.

La présente invention n'est pas limitée au dispositif de mesure de données vitales 100 présenté dans les premier et second modes de réalisation, et diverses variations sont possibles. Par exemple, le dispositif de calcul 110 (module de calcul 300 et module de commande 310), le dispositif de communication 140 et le dispositif de stockage 150 dans le premier mode de réalisation peuvent être intégrés dans un dispositif embarqué ou une unité de commande de moteur, tel qu'un dispositif de navigation, qui constitue l'unité principale 200.

La présente invention n'est pas limitée aux modes de réalisation et aux variations décrits ci-dessus, mais comprend également divers autres modes de réalisation et variations. Par exemple, les modes de réalisation ci-dessus sont décrits en détail dans le but d'expliquer la présente invention d'une manière facile à comprendre, et ne sont pas nécessairement limités à ceux qui présentent toutes les configurations décrites. Il est également possible de remplacer certaines des configurations d'un mode de réalisation par les configurations d'autres modes de réalisation ou variations, et il est également possible d'ajouter les configurations d'autres modes de réalisation aux configurations d'un mode de réalisation. Il est également possible d'ajouter, de supprimer ou de substituer d'autres configurations à certaines des configurations de chaque mode de réalisation.

Description des numéros de référence

100 : Dispositif de mesure de données vitales, 110 : Dispositif de calcul, 111 : Unité centrale de traitement, 112 : ROM, 113 : RAM, 114 : I/F (interface), 115 : Bus, 120 : Capteur A, 130 : Capteur B, 140 : Dispositif de communication, 150 : Dispositif de stockage, 200 : Unité principale, 300 : Module de calcul, 301 : Module de construction du modèle, 302 : Module d'authentification d'utilisateur, 303 : Module d'entrée de données vitales, 304 : Module de conversion de format de données, 310 : Module de commande, 320 : Module de stockage, 321 : Modèle de base, 322 : Modèle d'apprentissage, 330 : Module de communication, N : Réseau

Claims (10)

1. Dispositif de mesure de données vitales (100) caractérisé en ce qu’il comprend :
   un module de construction de modèle (301) qui construit un modèle d’apprentissage (322) au moyen d’un apprentissage automatique basé sur des premières données vitales étiquetées comme étant correctes et des deuxièmes données vitales mesurées lors d’une période d’échantillonnage correspondant auxdites premières données vitales ; et
   un module d’entrée de données vitales (303) qui entre des troisièmes données vitales dans ledit modèle d’apprentissage (322), lesdites troisièmes données étant acquises à partir d’un capteur (120, 130) à partir duquel lesdites deuxièmes données vitales sont émises ; et
   un module de communication (330) qui délivre en sortie des troisièmes données vitales à la suite du traitement par ledit modèle d'apprentissage (322) vers une destination de sortie prédéterminée.
2. Dispositif de mesure de données vitales selon la revendication 1, dans lequel :
   lesdites deuxièmes données vitales peuvent inclure plus de bruit que les premières données vitales ;
   le bruit présent dans lesdites troisièmes données vitales émises à la suite du traitement par le modèle d'apprentissage (322) est réduit par rapport au bruit contenu dans lesdites troisièmes données vitales avant d'être entrées dans le modèle d'apprentissage (322).
3. Dispositif de mesure de données vitales selon la revendication 2, dans lequel le module de construction de modèle (301) utilise les premières données vitales et les deuxièmes données vitales qui contiennent un bruit provoqué par les vibrations d’un véhicule, le module d’entrée de données vitales (303) entrant les troisièmes données vitales dans le module d’apprentissage (322), les troisièmes données vitales contenant un bruit provoqué par les vibrations d’un véhicule.
4. Dispositif de mesure de données vitales selon la revendication 1, caractérisé en ce qu’il comprend :
   un module de stockage (320) destiné au stockage d’au moins un desdits modèles d'apprentissage (322) construits en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection de l'utilisateur, et en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d’un individu appartenant à une catégorie prédéterminée définie selon une combinaison de types et de plages de caractéristiques physiques.
5. Dispositif de mesure de données vitales selon la revendication 4, dans lequel :
   ledit modèle d'apprentissage (322) est stocké dans le module de stockage (320) avec les informations d'identification de l'utilisateur ou lesdites informations d'identification de l'utilisateur et lesdites catégories prédéterminées ;
   et caractérisé en ce qu’il comprend en outre un module d'authentification d'utilisateur (302) qui extrait dudit module de stockage (320) ledit modèle d'apprentissage (322) correspondant aux informations d'identification dudit utilisateur ou à ladite catégorie à laquelle ledit utilisateur appartient.
6. Procédé de mesure de données vitales réalisé par un dispositif de mesure de données vitales (100), dans lequel ledit dispositif de mesure de données vitales réalise :
   une étape de construction d’un modèle d’apprentissage (322) au moyen d’un apprentissage automatique basé sur des premières données vitales étiquetées comme étant correctes et des deuxièmes données vitales mesurées lors d’une période d’échantillonnage correspondant auxdites premières données vitales ; et
   une étape d’entrée de données vitales qui entre des troisièmes données vitales dans ledit modèle d’apprentissage (322), lesdites troisièmes données étant acquises à partir d’un capteur (120, 130) à partir duquel lesdites deuxièmes données vitales sont émises ; et
   une étape d'émission en sortie de troisièmes données vitales à la suite du traitement par ledit modèle d'apprentissage (322) vers une destination de sortie prédéterminée.
7. Procédé de mesure de données vitales selon la revendication 6, dans lequel :
   lesdites deuxièmes données vitales peuvent inclure plus de bruit que les premières données vitales ;
   le bruit présent dans lesdites troisièmes données vitales émises à la suite du traitement par le modèle d'apprentissage (322) est réduit par rapport au bruit contenu dans lesdites troisièmes données vitales avant d'être entrées dans le modèle d'apprentissage (322).
8. Procédé de mesure de données vitales selon la revendication 7, dans lequel ledit bruit est un bruit provoqué par les vibrations d’un véhicule.
9. Procédé de mesure de données vitales selon la revendication 6,
   caractérisé en ce qu’il peut en outre inclure la réalisation d’une étape de stockage pour un stockage d’au moins un desdits modèles d'apprentissage (322) construits en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection de l'utilisateur, et en utilisant lesdites premières données vitales et lesdites deuxièmes données vitales acquises par détection d’un individu appartenant à une catégorie prédéterminée définie selon une combinaison de types et de plages de caractéristiques physiques.
10. Procédé de mesure de données vitales selon la revendication 9,
    dans lequel ladite étape de stockage comprend le stockage des informations d'identification de l'utilisateur ou desdites informations d'identification de l'utilisateur et desdites catégories prédéterminées ;
    et caractérisé en ce qu’il réalise en outre une étape d'authentification de l'utilisateur qui extrait d’un module de stockage (320) ledit modèle d'apprentissage (322) sur la base des informations d'identification dudit utilisateur ou de ladite catégorie à laquelle ledit utilisateur appartient.