FR3141849A1 - Procédé et dispositif de surveillance du niveau de stress d’un utilisateur - Google Patents
Procédé et dispositif de surveillance du niveau de stress d’un utilisateur Download PDFInfo
- Publication number
- FR3141849A1 FR3141849A1 FR2211880A FR2211880A FR3141849A1 FR 3141849 A1 FR3141849 A1 FR 3141849A1 FR 2211880 A FR2211880 A FR 2211880A FR 2211880 A FR2211880 A FR 2211880A FR 3141849 A1 FR3141849 A1 FR 3141849A1
- Authority
- FR
- France
- Prior art keywords
- user
- temporal sequence
- values
- temporal
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000012544 monitoring process Methods 0.000 title claims abstract description 40
- 230000002123 temporal effect Effects 0.000 claims abstract description 142
- 230000002996 emotional effect Effects 0.000 claims abstract description 73
- 238000012806 monitoring device Methods 0.000 claims abstract description 20
- 230000037007 arousal Effects 0.000 claims description 42
- 238000005259 measurement Methods 0.000 claims description 21
- 238000013473 artificial intelligence Methods 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000000747 cardiac effect Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000001815 facial effect Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 claims description 2
- 230000009471 action Effects 0.000 description 12
- 102100032919 Chromobox protein homolog 1 Human genes 0.000 description 11
- 101000797584 Homo sapiens Chromobox protein homolog 1 Proteins 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 101000632994 Homo sapiens Somatostatin Proteins 0.000 description 5
- 102100029563 Somatostatin Human genes 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000031968 Cadaver Diseases 0.000 description 2
- COHYTHOBJLSHDF-UHFFFAOYSA-N Indigo Chemical compound N1C2=CC=CC=C2C(=O)C1=C1C(=O)C2=CC=CC=C2N1 COHYTHOBJLSHDF-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009914 physiological arousal Effects 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 210000000707 wrist Anatomy 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 208000013200 Stress disease Diseases 0.000 description 1
- 241001104043 Syringa Species 0.000 description 1
- 235000004338 Syringa vulgaris Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008933 bodily movement Effects 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 230000007177 brain activity Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 210000003414 extremity Anatomy 0.000 description 1
- 210000000744 eyelid Anatomy 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000005548 health behavior Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000004377 microelectronic Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 235000012736 patent blue V Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000002040 relaxant effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011273 social behavior Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/107—Measuring physical dimensions, e.g. size of the entire body or parts thereof
- A61B5/1079—Measuring physical dimensions, e.g. size of the entire body or parts thereof using optical or photographic means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1107—Measuring contraction of parts of the body, e.g. organ, muscle
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0271—Thermal or temperature sensors
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/1032—Determining colour for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/486—Bio-feedback
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/63—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for estimating an emotional state
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physiology (AREA)
- Artificial Intelligence (AREA)
- Dentistry (AREA)
- Psychiatry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hospice & Palliative Care (AREA)
- Psychology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Developmental Disabilities (AREA)
- Cardiology (AREA)
- Social Psychology (AREA)
- Educational Technology (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Child & Adolescent Psychology (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Emergency Alarm Devices (AREA)
Abstract
L'invention concerne un procédé de surveillance du niveau de stress d’un utilisateur à l’aide d’au moins un équipement utilisateur, ledit procédé de surveillance étant mis en œuvre par un dispositif de surveillance et caractérisé en ce qu’il comprend :- une étape d’obtention, en provenance dudit au moins un équipement utilisateur, d’une séquence temporelle de données ;- une première étape de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une première séquence temporelle de valeurs représentatives de l’état d’excitation émotionnelle dudit utilisateur ;- une deuxième étape de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une deuxième séquence temporelle de valeurs représentatives du niveau de positivité émotionnelle dudit utilisateur ;- une troisième étape de détermination, en fonction desdites première et deuxième séquences temporelle de valeurs, d’une troisième séquence temporelle de valeurs représentatives du niveau de stress dudit utilisateur Figure pour l'abrégé : Figure 1
Description
1. Domaine de l'invention
L’invention concerne principalement le suivi au quotidien du niveau de stress d’une personne. En particulier, l’invention vise à une meilleure évaluation du niveau de stress lors d’un événement remarquable (ex : entretien professionnel, rendez-vous médical, événement familial, etc.), mais également s’adresse au suivi des personnes fragiles (ex : séniors, personnes souffrantes de déficience, personnes isolées, personnes souffrant d’une maladie chronique, etc.) pour un suivi de santé/ bien-être/ confort.
2. Art Antérieur
L’estimation d’un niveau de stress élevé / anormal, notamment chez les personnes fragiles, est un enjeu important. À cet égard, on sait que le stress influence la santé des personnes et donc, à terme, leur qualité de vie. Dans ce cadre, il apparaît nécessaire d’avoir une meilleure estimation /mesure des niveaux de stress d’une personne. Cette mesure est un des indicateurs forts pour évaluer la bonne santé physique, sociale et morale d’un individu.
Le document publié par Cohen S, et al, “A Global measure of perceived stress”. Journal of Health and Social Behavior, 1983, 24, 385-396, décrit une échelle de stress perçu (PSS) comme un instrument classique d'évaluation du stress. Il permet de comprendre comment différentes situations affectent nos sentiments et notre stress perçu. L’évaluation du stress perçu par une personne est établie en fonction de ses réponses à une série de questions. Les questions portent sur les sentiments et les pensées de la personne au cours du dernier mois et leur fréquence d’apparition. Par exemple, la question suivante est employée : « Au cours du dernier mois combien de fois, avez-vous été dérangé(e) par un évènement inattendu. » Les scores allant de 0 à 13 sont considérés comme correspondant à un niveau de stress faible. Les scores allant de 14 à 26 seraient considérés comme un stress modéré. Les scores allant de 27 à 40 seraient considérés comme un stress perçu élevé. Toutefois, cette échelle de stress nécessite de répondre manuellement à 10 questions et donne une estimation sur le niveau de stress d’une personne sur une courte période précédant cette analyse. Elle est sujette à la subjectivité de la personne qui répond aux questions.
Le document D. Tomoi et al., "Estimation of stress during car race with factor analysis," 2015 International Symposium on Micro-NanoMechatronics and Human Science (MHS), 2015, pp. 1-5, doi: 10.1109/MHS.2015.7438258 décrit l’analyse de données obtenues de capteurs dans le contexte d’un course automobile. L’objectif de l’analyse est l’évaluation du niveau de stress d’un conducteur. Cependant, les paramètres identifiés sont très spécifiques à la conduite et ne permettent pas d’adresser une pluralité de situations fréquemment rencontrées dans la vie quotidienne. En effet, les capteurs utilisés dans cette étude surveillent le rythme cardiaque, le taux de sudation et l'activité électrique des nerfs et des muscles (électromyogramme). L’analyse des données remontées par les capteurs après six tours de course déterminent les paramètres mettant en exergue les situations de stress. Cette méthodologie est donc très spécifique à la conduite et semble peu généralisable à la vie quotidienne.
Afin de détecter le niveau de stress élevé d’un individu, il est également connu d’utiliser des capteurs médicaux tels qu’un électro-encéphalogramme (Q. Xu, T. L. Nwe and C. Guan, "Cluster-Based Analysis for Personalized Stress Evaluation Using Physiological Signals," in IEEE Journal of Biomedical and Health Informatics, vol. 19, no. 1, pp. 275-281, Jan. 2015, doi: 10.1109/JBHI.2014.2311044). Toutefois, ces capteurs sont adaptés à un environnement médical et pas ou peu adaptés à une utilisation dans la vie quotidienne. En outre, l’analyse des données par clustering des K-moyennes (en anglais K-means) proposée dans ce document impose un choix empirique pour le paramètre K qui ne semble pas applicable en pratique. En effet, le paramètre k devrait être déterminé pour chaque individu à partir de données nominales, ce qui peut être difficile en pratique. En outre cela ne prendrait pas en compte les changements de comportement au cours du temps. Il en est de même pour la durée de la fenêtre d’analyse de 30 secondes qui permet de détecter le niveau de stress d’une personne car celle-ci peut fluctuer très rapidement lorsque la personne est dans une situation qu’elle juge inconfortable.
Ainsi, à l’heure actuelle, il n’existe pas de technique objective, fiable et indépendante d’un environnement particulier permettant de caractériser précisément le niveau stress d’un individu et d’en détecter les évolutions.
Il existe donc un besoin d’une technique qui permette de caractériser avec plus de précision le niveau de stress d’une personne, et ce quel que soit l’environnement dans lequel celle-ci se trouve (par exemple un entretien professionnel, un rendez-vous médical, un événement familial, etc.), afin d’obtenir une estimation robuste de son niveau de stress, de son évolution, voire d’évaluer un potentiel impact sur la santé de cette personne.
3. Exposé de l'invention
L’invention répond à ce besoin et propose un procédé de surveillance du niveau de stress d’un utilisateur à l’aide d’au moins un équipement utilisateur, ledit procédé de surveillance étant mis en œuvre par un dispositif de surveillance et caractérisé en ce qu’il comprend :
- une étape d’obtention, en provenance dudit au moins un équipement utilisateur, d’au moins une séquence temporelle de données ;
- une première étape de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une première séquence temporelle de valeurs représentatives de l’état d’excitation émotionnelle dudit utilisateur ;
- une deuxième étape de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une deuxième séquence temporelle de valeurs représentatives du niveau de positivité émotionnelle dudit utilisateur ;
- une troisième étape de détermination, en fonction desdites première et deuxième séquences temporelle de valeurs, d’une troisième séquence temporelle de valeurs représentatives du niveau de stress dudit utilisateur.
Ainsi, l’invention repose sur une approche tout à fait nouvelle et inventive de la surveillance du niveau de stress d’un utilisateur (par exemple : personnes fragiles, ou personne souhaitant surveiller leur stress), en vue de détecter une évolution anormale et de décider s’il est nécessaire d’alerter l’utilisateur, une personne de son entourage ou une tierce personne qualifiée (par exemple un médecin).
Plus particulièrement, afin de pouvoir surveiller le niveau de stress d’un utilisateur, le procédé selon l’invention détermine, pour une période prédéterminée (par exemple l’heure écoulée, la journée, les dix dernières minutes, etc.), un ensemble de séquences temporelles de valeurs à partir d’au moins une séquence temporelle de données obtenue depuis un terminal électronique/ équipement de l’utilisateur.
Pour cela, un équipement utilisateur enregistre en continu un ou plusieurs paramètres représentatifs du stress. À l’aide d’un ou plusieurs équipements utilisateurs portés sur lui (par exemple : montre connectée, téléphone intelligent…) et/ou se trouvant à proximité (par exemple une caméra), des mesures de ces paramètres (données au sens de l’invention) sont collectées au cours du temps par un ou plusieurs capteurs différents, ou identiques, du ou des équipements utilisateurs.
Le procédé détermine ensuite une séquence temporelle de valeurs représentatives de l’état d’excitation émotionnelle (également appelé arousal) et une séquence temporelle de valeurs représentatives du niveau de positivité émotionnelle (également appelé valence). De ces deux séquences de valeurs, le procédé détermine ensuite une séquence temporelle de valeurs représentative du niveau de stress de l’utilisateur. Cette séquence temporelle de valeurs de stress permet de déceler une évolution anormale du stress de l’utilisateur (par exemple via un pic visible au niveau de la représentation graphique de la séquence temporelle de valeurs de stress de l’utilisateur c’est-à-dire la courbe de stress de l’utilisateur sur la période considérée).
Autrement dit, la solution proposée par l’invention permet de surveiller l’évolution du stress d’un individu au cours du temps, et d’en détecter une dégradation.
On entend par « arousal » l’activation, ou l’excitation physiologique, provoquée par une émotion sur une échelle s’étendant de calme à excité.
On entend par « valence » la pondération affective d’un stimulus sur une échelle bipolaire allant de négatif à positif.
Alternativement ou cumulativement auxdites première et deuxième séquences de valeurs, une séquence de valeurs représentative de l’état de domination de l’utilisateur, c’est-à-dire l’état d’ascendance ou de soumission de l’utilisateur lors d’un échange émotionnel, pourrait être utilisée pour déterminer ladite troisième séquence temporelle de valeurs représentatives du niveau de stress dudit utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que ladite au moins une séquence temporelle de données comprend au moins une mesure d’au moins un paramètre physiologique et/ou physique et/ou cinétique dudit utilisateur.
Avantageusement, ce mode de réalisation permet de collecter un large spectre de données (mesure de paramètres physiologiques et/ou physiques et/ou cinétiques) de l’utilisateur. Ces données peuvent être liées ou non entre elles et permettent de déterminer le niveau de stress de l’utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que ledit au moins un paramètre est choisi dans un groupe comprenant au moins : l’activité cardiaque, l’intensité de la voix, la déformation du visage, une accélération.
On entend par accélération, par exemple un mouvement gestuel ou corporel capté par un accéléromètre. Cela peut également comprendre les mouvements d’un élément (doigt, stylet, etc.) sur un écran tactile.
Ledit au moins un paramètre peut également correspondre à un paramètre caractérisant la marche et/ou la posture et/ou l’activité cérébrale et/ou le taux de sudation et/ou la température de l’utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que ladite étape d’obtention est suivie d’une étape de segmentation temporelle de ladite au moins une séquence temporelle de données.
Avantageusement, la séquence temporelle de données est segmentée afin de pouvoir associer à chaque segment une valeur d’arousal ou de valence. Il est ainsi possible d’obtenir une représentation graphique sous forme de courbe de l’évolution dans le temps de l’excitation émotionnelle ou de la positivité émotionnelle de l’utilisateur et d’en déduire une courbe de l’évolution dans le temps du stress de l’utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que les segments temporels de ladite au moins une séquence temporelle de données sont traités par au moins un traitement choisi dans un groupe comprenant au moins : le filtrage passe-bas, la normalisation, le rééchantillonnage.
Avantageusement, ce mode de réalisation permet de traiter les données afin que celles-ci soient plus facilement exploitables par le procédé. Cela permet de débruiter, d’uniformiser et de synchroniser les informations /séquences de données.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que la détermination de ladite première séquence temporelle de valeurs, respectivement de ladite deuxième séquence temporelle de valeurs, comprend une mise en œuvre d’au moins un module d’intelligence artificielle configuré pour associer à partir d’un modèle de caractérisation de l’état d’excitation émotionnelle dudit utilisateur, respectivement à partir d’un modèle de caractérisation du niveau de positivité émotionnelle dudit utilisateur, au moins un segment temporel de ladite au moins une séquence temporelle de données à au moins une valeur représentative de l’état d’excitation émotionnelle dudit utilisateur, respectivement à au moins une valeur représentative du niveau de positivité émotionnelle dudit utilisateur.
Avantageusement, le module d’intelligence artificielle met par exemple en œuvre un réseau de neurones permettant d’associer à un segment temporel d’une séquence temporelle de données (ensemble des mesures obtenues des équipements utilisateurs), une valeur représentative de l’état d’excitation émotionnelle ou une valeur représentative du niveau de positivité émotionnelle dudit utilisateur. Autrement dit, le module d’intelligence artificielle permet de caractériser de manière précise et dans le temps le niveau de l’état d’excitation émotionnelle ou le niveau de positivité émotionnelle de l’utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que la détermination de ladite troisième séquence temporelle de valeurs comprend une mise en œuvre d’au moins un module d’intelligence artificielle configuré pour associer à partir d’un modèle de caractérisation de l’état de stress dudit utilisateur une première valeur de ladite première séquence temporelle de valeurs et une deuxième valeur de ladite deuxième séquence temporelle de valeurs à au moins une valeur représentative du niveau de stress dudit utilisateur, lesdites première et deuxième valeurs étant associées à un même segment temporel de ladite au moins une séquence temporelle de données.
Avantageusement, le module d’intelligence artificielle met par exemple en œuvre un réseau de neurones permettant d’associer un couple de valeurs d’arousal et de valence associé à un segment temporel d’une séquence temporelle de données à une valeur représentative de l’état /niveau de stress de l’utilisateur. Autrement dit, le module d’intelligence artificielle permet de caractériser de manière précise et dans le temps le niveau de stress de l’utilisateur. Il est ainsi plus aisé de repérer des modifications importantes du stress de l’utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce qu’il comprend un apprentissage préalable dudit modèle de caractérisation de l’état d’excitation émotionnelle dudit utilisateur, respectivement dudit modèle de caractérisation du niveau de positivité émotionnelle dudit utilisateur, à partir d’une base de données d’apprentissage associant des segments temporels de séquences temporelles de données à au moins une valeur représentative d’un état d’excitation émotionnelle, respectivement à partir d’une base de données d’apprentissage associant des segments temporels de séquences temporelles de données à au moins une valeur représentative d’un niveau de positivité émotionnelle.
Avantageusement, l’apprentissage du modèle de caractérisation de l’état d’excitation émotionnelle de l’utilisateur par un module d’intelligence artificielle se fait de manière supervisée à partir d’une base de données de référence associant des segments temporels de séquences temporelles de données à des valeurs d’arousal (valeur de référence représentative de l’état d’excitation émotionnelle d’un utilisateur).
De même, l’apprentissage du modèle de caractérisation du niveau de positivité émotionnelle de l’utilisateur par un module d’intelligence artificielle se fait de manière supervisée à partir d’une base de données de référence associant des segments temporels de séquences temporelles de données à des valeurs de valence (valeur de référence représentative du niveau de positivité émotionnelle d’un utilisateur).
L’apprentissage préalable des deux modèles de caractérisation permet une meilleure caractérisation des segments temporels de séquences temporelles de données de l’utilisateur et donc une meilleure estimation de la valeur d’arousal, respectivement de valence, associée.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce qu’il comprend un apprentissage préalable dudit modèle de caractérisation de l’état de stress dudit utilisateur à partir d’une base de données d’apprentissage associant des couples de valeurs comprenant une valeur représentative d’un état d’excitation émotionnelle et une valeur représentative d’un niveau de positivité émotionnelle à une valeur représentative d’un niveau de stress.
Avantageusement, l’apprentissage du modèle de caractérisation de l’état de stress de l’utilisateur par un module d’intelligence artificielle se fait de manière supervisée à partir d’une base de données de référence associant des couples de valeurs d’arousal et de valence à une valeur de référence représentative d’un niveau de stress.
L’apprentissage préalable du modèle de caractérisation de l’état de stress de l’utilisateur permet une meilleure caractérisation des couples de valeurs d’arousal et de valence associés aux segments temporels des séquences temporelles de données de l’utilisateur et donc une meilleure estimation des valeurs de stress associées.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que la troisième étape de détermination est suivie d’une étape d’analyse de ladite troisième séquence temporelle de valeurs et d’une étape d’émission d’une notification en fonction du résultat de ladite étape d’analyse.
Ce mode de réalisation permet de décider, en fonction du niveau de stress de l’utilisateur, par exemple à la suite d’une augmentation importante, s’il est nécessaire d’alerter/de notifier l’utilisateur et/ou son entourage et/ou un professionnel de santé. Cette estimation de perturbation du niveau de stress peut également permettre d’adapter des services de télécommunications, multimédia ou domotiques, etc. de l’utilisateur.
Dans un exemple, une notification d’alerte peut être transmise directement à l’utilisateur sur un équipement de type montre connectée, téléphone intelligent…ou à un service de e-Santé (ou service de télé-vigilance). Ainsi, il est possible de mettre en place des services de recommandations à la personne lorsque des troubles du stress sont détectés et qu’ils sont considérés comme suffisamment importants pour justifier le déclenchement d’une alerte.
Selon un mode de mise en œuvre particulier de l'invention, un procédé tel que décrit ci-dessus est caractérisé en ce que ledit au moins un équipement utilisateur est situé à proximité dudit utilisateur et/ou porté sur lui.
L'invention concerne également un dispositif de surveillance du niveau de stress d’un utilisateur à l’aide d’au moins un équipement utilisateur caractérisé en ce qu’il comprend :
- un module d’obtention, en provenance dudit au moins un équipement utilisateur, d’au moins une séquence temporelle de données ;
- un premier module de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une première séquence temporelle de valeurs représentatives de l’état d’excitation émotionnelle dudit utilisateur ;
- un deuxième module de détermination, en fonction de ladite au moins une séquence temporelle de données, d’une deuxième séquence temporelle de valeurs représentatives du niveau de positivité émotionnelle dudit utilisateur ;
- un troisième module de détermination, en fonction desdites première et deuxième séquences temporelle de valeurs, d’une troisième séquence temporelle de valeurs représentatives du niveau de stress dudit utilisateur.
Selon un mode de mise en œuvre particulier de l'invention, un dispositif tel que décrit ci-dessus est caractérisé en ce qu’il est compris par un ordinateur, un serveur informatique ou une passerelle domestique.
Le terme module peut correspondre aussi bien à un composant logiciel qu’à un composant matériel ou un ensemble de composants matériels et logiciels, un composant logiciel correspondant lui-même à un ou plusieurs programmes ou sous-programmes d’ordinateur ou de manière plus générale à tout élément d’un programme apte à mettre en œuvre une fonction ou un ensemble de fonctions telles que décrites pour les modules concernés. De la même manière, un composant matériel correspond à tout élément d’un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions pour le module concerné (circuit intégré, carte à puce, carte à mémoire, etc.).
L'invention concerne également un programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé ci-dessus selon l'un quelconque des modes particuliers de réalisation décrits précédemment, lorsque ledit programme est exécuté par un processeur. Le procédé peut être mis en œuvre de diverses manières, notamment sous forme câblée ou sous forme logicielle. Ce programme peut utiliser n'importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n'importe quelle autre forme souhaitable.
L'invention vise aussi un support d'enregistrement ou support d'informations lisible par un ordinateur, et comportant des instructions d'un programme d'ordinateur tel que mentionné ci-dessus. Les supports d'enregistrement mentionnés ci-avant peuvent être n'importe quelle entité ou dispositif capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un disque dur. D'autre part, les supports d'enregistrement peuvent correspondre à un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Les programmes selon l'invention peuvent être en particulier téléchargés sur un réseau de type Internet.
Alternativement, les supports d'enregistrement peuvent correspondre à un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
Ce dispositif d’enregistrement et ce programme d'ordinateur présentent des caractéristiques et avantages analogues à ceux décrits précédemment en relation avec le procédé de surveillance.
4. Liste des figures
D’autres caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description suivante de modes de réalisation particuliers, donnés à titre de simples exemples illustratifs et non limitatifs, et des dessins annexés, parmi lesquels :
5. Description d'un mode de réalisation de l'invention
Le principe général de l’invention repose sur la surveillance de l’évolution dans le temps du niveau de stress d’un utilisateur afin par exemple d'alimenter les applications et services liés aux solutions de e-santé. Dans un mode de réalisation particulier l’invention permet également d’émettre, en fonction du niveau de stress constaté, une notification personnalisée à destination de l’utilisateur et plus particulièrement d’un de ses terminaux.
La illustre un exemple d'environnement de mise en œuvre de l'invention selon un mode particulier de réalisation de l'invention. Cet environnement peut correspondre à n’importe quel endroit où se trouve l’utilisateur (bureau, maison, transport en commun, salle de sport, etc.).
Afin de pouvoir suivre l’évolution de son stress au cours du temps et de manière autonome (c’est-à-dire sans assistance de type médical, ou technique) l’environnement de l’utilisateur UT comprend notamment un ou plusieurs équipements utilisateurs EQ tels qu’une tablette, un téléphone intelligent (smartphone en anglais) EQ1, un ordinateur EQ2, une montre/bracelet connectée EQ3, des lunettes EQ4 ou un serre-tête (non représenté) connecté, une caméra connectée EQ5 ou tout autre objet connecté apte à interagir avec l’utilisateur. Ces équipements utilisateurs sont aptes à communiquer entre eux via par exemple une communication point à point (par exemple via une connexion WiFi®, Bluetooth®) ou bien via un réseau de communication local LAN. Ce réseau peut être géré par une passerelle PAS résidentielle/professionnelle/mobile connectée à un réseau de communication de données d'un opérateur R_EXT.
De manière avantageuse, l’équipement utilisateur EQ comprend un ou plusieurs capteurs, identiques ou différents, configurés pour mesurer un ou plusieurs paramètres physiologiques et/ou physiques et/ou cinétiques différents de l’utilisateur au cours du temps.
Ces paramètres peuvent être un paramètre ou une combinaison de paramètres choisis parmi :
- la vitesse de déplacement (paramètre cinétique au sens de l’invention) ou une accélérations appliquée à un membre physique de l’utilisateur (mouvement de jambe, de bras, etc.), par exemple obtenue via un capteur de type accéléromètre d’une montre ou d’un bracelet connecté;
- l’activité cardiaque mesurée par électrocardiogramme (ou ECG), par exemple obtenue via un capteur d’activité cardiaque d’une montre ou d’un bracelet connecté;
- le son de la voix de l’utilisateur (intensité du volume, tonalité), par exemple obtenue via le micro du smartphone (téléphone intelligent en anglais) de l’utilisateur ;
- la modification d’une partie du corps de l’utilisateur (déformation du visage, changement de couleur, etc.), par exemple obtenue à l’aide de la caméra d’un téléphone intelligent et/ou d’un ordinateur de l’utilisateur UT le filmant ;
- l’élévation de la température du corps de l’utilisateur UT, par exemple obtenue à l’aide d’un thermomètre connecté de l’utilisateur UT ;
- etc.
En d’autres termes, le ou les capteurs de l’équipement EQ sont configurés pour collecter et enregistrer en continu des données (ou signaux) d’un ou plusieurs paramètres représentatifs de l’état d’excitation émotionnelle et/ou du niveau de positivité émotionnelle de l’utilisateur UT.
Dans une variante, l’utilisateur peut porter sur lui, ou avoir à proximité de lui, plusieurs équipements EQ différents (par exemple : une montre connectée portée au poignet (EQ3) et un téléphone intelligent (EQ1) l’enregistrant et/ou le filmant) ayant des capteurs différents pour mesurer plusieurs paramètres physiologiques et/ou physiques et/ou cinétiques différents et représentatifs de l’état d’excitation émotionnelle et/ou du niveau de positivité émotionnelle de l’utilisateur UT.
Le ou les équipements utilisateur EQ transmettent ensuite les données collectées par son ou ses capteurs à un dispositif DISP de surveillance du stress d’un utilisateur UT. Avantageusement, ce dispositif de surveillance DISP peut stocker dans une mémoire les mesures du ou des paramètres représentatifs de l’état d’excitation émotionnelle et/ou du niveau de positivité émotionnelle de l’utilisateur UT ainsi collectées.
Dans une variante, l’un des équipements utilisateur EQ peut collecter, en plus des données obtenues de ses capteurs, tout ou partie des données collectées par un ou plusieurs autre équipements utilisateur EQ puis transmettre l’ensemble des données au dispositif DISP.
Le dispositif DISP met en œuvre tout ou partie du procédé de surveillance du stress d’un utilisateur selon l’invention qui sera détaillé ci-après en relation avec la .
Ce dispositif de surveillance DISP peut être partiellement ou totalement embarqué dans un équipement utilisateur EQ ou dans la pluralité d’équipements EQ.
Alternativement, le dispositif de surveillance DISP peut être intégré dans la passerelle PAS de l’utilisateur qui présente l’avantage de bénéficier de ressources de calcul et de mémoire plus importantes que le ou les équipements utilisateurs EQ.
Dans une autre variante, le dispositif de surveillance DISP peut être intégré dans un serveur situé dans le réseau R_EXT.
Dans le cas où le dispositif DISP est distant du ou des équipements utilisateurs EQ, la transmission des données se fait du ou des équipements utilisateurs EQ vers le dispositif DISP via le réseau de communication LAN, par exemple via une connexion WiFi®, Bluetooth®, Ethernet, etc.
Selon un mode de réalisation de l’invention le ou les équipements utilisateurs EQ connectés au réseau de communication LAN, la passerelle domestique/ professionnelle / mobile et le dispositif de surveillance du stress d’un utilisateur DISP forment un système de surveillance du stress d’un utilisateur UT.
On s’attache maintenant à décrire un exemple de mise en œuvre du procédé de surveillance du stress d’un utilisateur UT selon l’invention en lien avec les figures 2 et 3.
Selon cet exemple, afin de surveiller l’évolution du stress de l’utilisateur, deux grandes phases sont mises en œuvre :
La phase 1 ( ) comprend au moins :
Lors de l’étape E1, la collecte en continu, pendant une période d’apprentissage donnée Pref, le traitement et le stockage dans une mémoire, d’un ensemble de données comprenant des mesures horodatées d’un ou de plusieurs paramètres d’un utilisateur obtenues depuis au moins un de ses équipements EQ. L’ensemble des données collectées sont ordonnées temporellement dans une séquence/série temporelle (séquence temporelle de données au sens de l’invention). La période d’apprentissage Pref peut comprendre des situations pour lesquelles l’utilisateur est soumis à la fois à des périodes de repos ou de stress.
Dans un exemple, les paramètres pris en compte sont des paramètres physiologiques (par exemple l’activité cardiaque) et/ou physiques (par exemple la dynamique/ les mouvements du visage) et/ou cinétiques (par exemple la vitesse ou l’accélération appliquée à un membre physique de l’utilisateur comme le bras ou la jambe). Bien sûr, d’autres paramètres peuvent être pris en compte en complément ou en remplacement de ceux-ci. Les données de ce ou ces paramètres peuvent être collectées en continu par le ou les capteurs du ou des équipements utilisateurs EQ.
Lors de l’étape E2, la sélection de signaux d’intérêt à traiter, au sein de la séquence temporelle de données, comme l’évolution dans le temps de points caractéristiques du visage (par exemple la zone de la bouche pour détecter un sourire, un rictus, une grimace ou bien la zone des yeux pour détecter l’ouverture de la paupière, des larmes, un plissement, etc.) et/ou l’évolution dans le temps de l’intensité du volume de la voix et/ou l’évolution dans le temps du rythme cardiaque. Bien évidemment, lorsque la séquence temporelle de données comprend des mesures d’un unique paramètre utilisateur, alors l’étape de sélection n’est pas utile.
Lors de l’étape E3, la segmentation de signaux d’intérêt sélectionnés ou de la séquence temporelle de données par exemple toutes les 100 millisecondes sans recouvrement.
Selon un mode de réalisation particulier, les signaux d’intérêt sélectionnés sont chacun découpés temporellement dans le but d’obtenir une séquence de segments d’intérêt.
Selon un mode de réalisation particulier, la séquence temporelle de données est découpée temporellement dans le but d’obtenir une séquence de segments temporels de la séquence temporelle de données.
A noter que lorsque la période d’apprentissage Pref est suffisamment petite l’étape de segmentation peut ne pas être réalisée.
Lors de l’étape E4, le traitement des signaux d’intérêt segmentés ou de la séquence temporelle de données segmentée obtenus à la fin de l’étape E3. Les traitements peuvent être cumulativement ou alternativement du filtrage passe-bas pour débruiter l’information contenue dans les données, de la normalisation pour uniformiser les données, du rééchantillonnage de données pour synchroniser les sources, etc. Bien sûr, d’autres traitements peuvent être pris en compte en complément ou en remplacement de ceux-ci.
Selon un mode de réalisation particulier de l’invention, le traitement effectué lors de l’étape E4 peut être réalisé sur des signaux d’intérêt non segmentés ou sur la séquence temporelle de données non segmentée (c’est-à-dire ayant une durée équivalente à la période d’apprentissage Pref).
Lors de l’étape E5, l’apprentissage d’un modèle de caractérisation de l’état d’excitation émotionnelle, également appelé « arousal », de l’utilisateur à partir d’un ensemble labellisé de séquences temporelles de mesures d’un ou plusieurs paramètres représentatifs de l’état d’excitation émotionnelle d’un utilisateur (par exemple obtenus depuis un capteur ECG, d’image, ou audio). L’arousal correspond à l’activation, ou l’excitation physiologique, provoquée par une émotion sur une échelle s’étendant de « calme » à « excité ».
Les séquences temporelles de mesures labellisées représentatives de l’état d’excitation émotionnelle d’un utilisateur sont par exemple collectées en laboratoire sur un panel d’utilisateurs. Ces séquences labellisées peuvent ensuite être stockées dans une base de données LB_ARO_DB. Avantageusement, chaque séquence labellisée est associée à un niveau d’excitation émotionnelle d’un utilisateur dans la base de données LB_ARO_DB, afin de pouvoir ensuite être utilisée pour entraîner le module de classification MOD1.
Dans un exemple de réalisation ( ), un apprentissage supervisé est réalisé par le module de classification MOD1 afin de prédire une séquence temporelle de valeurs d’arousal de l’utilisateur SA à partir des séquences temporelles de mesures labellisées stockées dans la base de données LB_ARO_DB. Concrètement, le module de classification MOD1 prend en entrée les séquences temporelles de mesures labellisées de la base de données LB_ARO_DB et ajuste sa configuration pour associer à chaque séquence temporelle, en sortie, la valeur d’arousal correspondant au niveau d’excitation émotionnelle associé à la séquence temporelle. Un tel apprentissage permet au module MOD1 de construire un modèle de caractérisation du niveau d’excitation émotionnelle qu’il met ensuite en œuvre en phase de test pour reconnaitre les niveaux d’excitation émotionnelle d’une séquence de segments de signaux d’intérêt de l’utilisateur SEQ_EQ (obtenue lors de l’étape E4) et obtenir une séquence temporelle de valeurs d’arousal SA de l’utilisateur UT.
Dans un exemple de mise en œuvre, le module MOD1 est un module d’intelligence artificiel qui est configuré pour mettre en œuvre le modèle de caractérisation de l’état d’excitation émotionnelle de l’utilisateur.
Lors de l’étape E6, l’apprentissage d’un modèle de caractérisation du niveau de positivité émotionnelle, également appelé « valence », de l’utilisateur à partir d’un ensemble labellisé de séquences temporelles de mesures d’un ou plusieurs paramètres représentatifs de l’état de positivité émotionnelle d’un utilisateur (par exemple obtenus depuis un capteur ECG, d’image, ou audio). La valence correspondant à la pondération affective d’un stimulus sur une échelle bipolaire allant de négatif à positif.
Les séquences temporelles de mesures labellisées représentatives de l’état de positivité émotionnelle d’un utilisateur sont par exemple collectées en laboratoire sur un panel d’utilisateurs. Ces séquences labellisées peuvent ensuite être stockées dans une base de données LB_VAL_DB. Avantageusement, chaque séquence labellisée est associée à un niveau de positivité émotionnelle d’un utilisateur dans la base de données LB_VAL_DB, afin de pouvoir ensuite être utilisée pour entraîner le module de classification MOD2.
Dans un exemple de réalisation ( ), un apprentissage supervisé est réalisé par le module de classification MOD2 afin de prédire une séquence temporelle de valeurs de valence de l’utilisateur SV à partir de mesures labellisées stockées dans la base de données LB_VAL_DB. Concrètement, le module de classification MOD2 prend en entrée les séquences temporelles de mesures labellisées de la base de données LB_VAL_DB et ajuste sa configuration pour associer à chaque séquence temporelle, en sortie, la valeur de valence correspondant au niveau de positivité émotionnelle associé à la séquence temporelle. Un tel apprentissage permet au module MOD2 de construire un modèle de caractérisation du niveau de positivité émotionnelle qu’il met ensuite en œuvre en phase de test pour reconnaitre les niveaux de positivité émotionnelle d’une séquence de segments de signaux d’intérêt de l’utilisateur SEQ_EQ (obtenue lors de l’étape E4) et obtenir une séquence temporelle de valeurs de valence SV de l’utilisateur UT.
Dans un exemple de mise en œuvre, le module MOD2 est un module d’intelligence artificiel qui est configuré pour mettre en œuvre le modèle de caractérisation de l’état de positivité émotionnelle de l’utilisateur.
Lors de l’étape E7, le stockage ( ) dans la base de connaissance TS_ARO_DB de la ou des séquences SA produites par le module MOD1.
Lors de l’étape E8, le stockage ( ) dans la base de connaissance TS_VAL_DB de la ou des séquences SV produites par le module MOD2.
Lors de l’étape E9 l’apprentissage d’un modèle de caractérisation du niveau de stress de l’utilisateur à partir d’un ensemble labellisé de couples de valeurs d’arousal et de valence.
Avantageusement, chaque couple labellisé est associé à un niveau de stress d’un utilisateur dans la base de données LB_STR_DB, afin de pouvoir ensuite être utilisé pour entraîner le module de classification MOD3.
Dans un exemple de réalisation ( ), un apprentissage supervisé est réalisé par le module de classification MOD3 afin de prédire une séquence temporelle de valeurs de stress de l’utilisateur à partir des couples labellisés de valeurs d’arousal et de valence stockés dans la base de données LB_STR_DB. Concrètement, le module de classification MOD3 prend en entrée les couples labellisés de valeurs d’arousal et de valence et ajuste sa configuration pour associer à chaque couple, en sortie, la valeur de stress correspondant au niveau de stress associé au couple de valeurs d’arousal et de valence. Un tel apprentissage permet au module MOD3 de construire un modèle de caractérisation du niveau de stress qu’il met ensuite en œuvre en phase de test pour reconnaitre les niveaux de stress d’une séquence temporelle de couples de valeur de valence et d’arousal de même temporalité obtenue depuis les séquences temporelles de valeurs de valence SV et d’arousal SA stockées dans les bases de données TS_ARO_DB et TS_VAL_DB. L’ensemble des valeurs de stress ainsi obtenu permet de constituer une séquence temporelle de valeurs de stress ST de l’utilisateur UT pendant la période Pref.
Dans un exemple de mise en œuvre, le procédé peut réitérer les étapes E1 à E9 une pluralité de fois sur des périodes/temps d’apprentissage différents de la période Pref afin d’améliorer l’apprentissage des modèles de caractérisation, de l’état d’excitation émotionnelle, du niveau de positivité émotionnelle et du niveau de stress de l’utilisateur UT.
Dans un exemple de mise en œuvre, les modules MOD1, MOD2 et MOD3 correspondent par exemple à un réseau de neurones de type « Transformers Multimodaux » (décrit par Xu, P., Zhu, X., and Clifton, D. A., dans le document “Multimodal Learning with Transformers: A Survey”), ou tout autre module d’intelligence artificielle apte à remplir les mêmes fonctions.
L’étape 1 s’achève avec la finalisation de l’apprentissage par les modules MOD1, MOD2 et MOD3 respectivement d’un modèle de caractérisation de l’état d’excitation émotionnelle, d’un modèle de caractérisation du niveau de positivité émotionnelle et d’un modèle de caractérisation du niveau de stress de l’utilisateur.
La phase 2 ( ) commence par réitérer, pour une période temporelle P différente de la période Pref, les étapes E1 à E4 de collecte et traitement de données obtenues par le ou les capteur(s) du ou des équipement(s) utilisateur(s) afin d’obtenir une ou plusieurs nouvelles séquences temporelles de segments de signaux d’intérêt de l’utilisateur ou de segments temporels de la séquence temporelle de données (notées SMST par la suite). Puis la phase 2 comprend au moins :
Lors de l’étape E10, la mise en œuvre du module de classification MOD1 entraîné afin de produire une séquence de valeur d’arousal SA à partir des séquences de segments SMST préalablement obtenues. Concrètement, le module de classification MOD1 prend en entrée les segments des séquences SMST et associe à chaque segment, en sortie, une valeur d’arousal. L’ensemble des valeurs d’arousal ainsi obtenu permet de constituer une séquence temporelle de valeurs d’arousal SA de l’utilisateur pendant la période P.
Lors de l’étape E11, la mise en œuvre du module de classification MOD2 entraîné afin de produire une séquence temporelle de valeur de valence SV à partir des séquences de segments SMST préalablement obtenues. Concrètement, le module de classification MOD2 prend en entrée les segments des séquences SMST et associe à chaque segment, en sortie, une valeur de valence. L’ensemble des valeurs de valence ainsi obtenu permet de constituer une séquence temporelle de valeurs de valence SV de l’utilisateur pendant la période P.
Lors de l’étape E12, la mise en œuvre du module de classification MOD3 entraîné afin de produire une séquence de valeur de stress ST à partir des séquences SA et SV. Concrètement, le procédé obtient depuis les séquences temporelles de valeurs de valence SV et d’arousal SA une séquence temporelle de couples de valeur de valence et d’arousal de même temporalité (en d’autres mots la valeur de valence et la valeur arousal d’un couple ont la même temporalité). Ensuite, le module de classification MOD3 prend en entrée la séquence temporelle de couples de valeur de valence et d’arousal et associe à chaque couple, en sortie, une valeur de stress. L’ensemble des valeurs de stress ainsi obtenu permet de constituer une séquence temporelle de valeurs de stress ST de l’utilisateur pendant la période P.
Lors de l’étape E13, l’analyse de la séquence de valeurs de stress ST pour décider si l’utilisateur subit un stress trop important et s’il faut oui ou non déclencher une action.
Dans un premier exemple de mise en œuvre, l’action peut être déclenchée quel que soit les valeurs de stress de la séquence ST.
Dans un deuxième exemple de mise en œuvre, le procédé peut décider de déclencher l’action lorsque la séquence ST satisfait un critère de décision, comme l’atteinte d’un seuil prédéfini par l’une de ses valeurs.
Dans un troisième exemple de réalisation de l’invention, la décision de déclencher l’action peut être prise en fonction du seuil précédent et d’au moins un autre critère de décision, ou de pertinence. Par exemple, cet autre critère de décision impose que le seuil prédéfini soit dépassé par une pluralité N de valeurs de la séquence ST.
Alternativement ou cumulativement, cet autre critère de décision peut prendre en compte les écarts entre les valeurs de la séquence ST. Si l’une des valeurs de la séquence ST varie fortement (par exemple : seuillage sur une distance Euclidienne) par rapport à la moyenne des valeurs alors le déclenchement de l’action peut être décidé même si le seuil prédéfini est dépassé par un nombre de valeurs de la séquence ST inférieur à N. Si le ou les critères de décision de déclenchement d’une action ne sont pas satisfaits, le procédé reprend au début de la phase 2 et réitère les étapes E1 à E4 de collecte et traitement de données obtenues par le ou les capteur(s) du ou des équipement(s) utilisateur(s) afin d’obtenir, pour une période temporelle courante Pc, de nouvelles séquences temporelles de segments de signaux d’intérêt de l’utilisateur.
Lors de l’étape E14, le déclenchement d’une action en fonction du résultat de l’analyse effectuée lors de l’étape E13.
L’action peut consister à notifier/diffuser, à destination de l’utilisateur, par exemple via l’un de ses équipements EQ, l’information de son niveau de stress. En d’autres termes, le procédé informe l’utilisateur de son niveau de stress constaté au travers de la séquence ST.
Selon un mode particulier de réalisation le procédé peut diffuser une moyenne des valeurs de stress de la séquence ST ou des valeurs de la séquence ST.
L’action peut également consister à notifier/diffuser, à destination de l’utilisateur, par exemple via un ou plusieurs de ses équipements EQ (bracelet, montre connectée, smartphone, lunette connectée, enceinte connectée, écran connecté, ordinateur, ampoule connectée et plus généralement un objet connecté, etc.) des notifications apaisantes telles que des vibrations lentes et massantes et/ou des sons doux et relaxants (chants d’oiseaux, pluie tropicale, etc.) et/ou des couleurs apaisantes (le bleu indigo, le vert d'eau, jaune clair, rose poudré, bleu ciel, lilas, etc.) et/ou de messages textuels invitant par exemple à la méditation.
L’action peut en outre consister à modifier les paramètres des services de télécommunications (par exemple en modifiant le statut de présence de l’utilisateur afin qu’il ne soit pas dérangé pendant un laps de temps déterminé en fonction de son niveau de stress), multimédia ou domotique (par exemple en modifiant l’ouverture des volets roulant et / ou la luminosité des ampoules et /ou l’intensité du chauffage du domicile/bureau de l’utilisateur).
L’action peut également consister à émettre à destination de l’utilisateur des notifications personnalisées lui recommandant de visualiser des contenus apaisants et/ou de communiquer avec des proches et/ou de contacter un professionnel de santé par des moyens de communication adaptés.
L’action peut également consister à émettre des notifications à destination d’un professionnel de santé. Ce mode de réalisation permet d’assurer le suivi médical de l’utilisateur.
Afin d’illustrer plus précisément le principe de l’invention, la présente de façon schématique l’architecture d’un dispositif de surveillance DISP, selon un mode de réalisation de l’invention.
Le dispositif DISP a l'architecture classique d'un ordinateur, et comprend notamment une mémoire MEM, une unité de traitement UT, équipée par exemple d'un processeur PROC, et pilotée par le programme d'ordinateur PG stocké en mémoire MEM. Le programme d'ordinateur PG comprend des instructions pour mettre en œuvre les étapes du procédé de surveillance tel que décrit précédemment à l’appui des figures 1 à 6, lorsque le programme est exécuté par le processeur PROC.
A l'initialisation, les instructions de code du programme d'ordinateur PG sont par exemple chargées dans une mémoire avant d'être exécutées par le processeur PROC. Le processeur PROC de l'unité de traitement UT met notamment en œuvre les étapes du procédé de surveillance selon l'un quelconque des modes particuliers de réalisation décrits en relation avec les figures 1 à 6 et selon les instructions du programme d'ordinateur PG.
Le dispositif de surveillance DISP comprend un module de communication COM pour la réception/transmission de mesures des paramètres physiologiques et/ou physiques et/ou cinétiques de l’utilisateur en provenance d’un ou plusieurs capteurs d’un ou plusieurs équipements utilisateur EQ et la transmission de notifications /messages / commandes en relation avec le niveau de stress de l’utilisateur.
Selon un mode particulier de réalisation, la mémoire MEM du dispositif DISP enregistre /stocke les mesures des paramètres physiologiques et/ou physiques et/ou cinétiques de l’utilisateur.
Selon un autre mode particulier de réalisation, la mémoire MEM contient les bases de données LB_ARO_DB, TS_ARO_DB, LB_VAL_DB, TS_VAL_DB et LB_STR_DB. Alternativement, ces bases de données peuvent être stockées dans un serveur situé par exemple dans le réseau ou dans une mémoire de la passerelle PAS.
La illustre seulement une manière particulière, parmi plusieurs possibles, de réaliser le dispositif de surveillance DISP, afin qu’il effectue au moins une partie des étapes du procédé de surveillance détaillé ci-dessus, en relation avec les figures 2 et 3 dans ses différents modes de réalisation
Dans un exemple de réalisation, le dispositif de surveillance est configuré pour mettre en œuvre l’ensemble des étapes du procédé de surveillance. Pour cela, le dispositif de surveillance DISP peut comprendre un module de classification MOD1_CLAS configuré pour déterminer l’état d’excitation émotionnelle de l’utilisateur à partir d’une séquence de segments SSMT selon le modèle de caractérisation appris lors de la phase d’apprentissage décrite en lien avec la (étape E5).
Le dispositif de surveillance DISP peut en outre comprendre un module de classification MOD2_CLAS configuré pour déterminer le niveau de positivité émotionnelle de l’utilisateur à partir d’une séquence de segments SSMT selon le modèle de caractérisation appris lors de la phase d’apprentissage décrite en lien avec la (étape E6).
Le dispositif de surveillance DISP peut également comprendre un module de classification MOD3_CLAS configuré pour déterminer le niveau de stress de l’utilisateur à partir d’une séquence temporelle de couples de valeur de valence et d’arousal selon le modèle de caractérisation appris lors de la phase d’apprentissage décrite en lien avec la (étape E9).
Alternativement, dans un autre exemple de réalisation, le dispositif de surveillance DISP est configuré pour mettre en œuvre uniquement les étapes E1 à E4, puis E10 à E14. Les étapes E5 à E9 d’apprentissage, de stockage et de caractérisation sont alors mises en œuvre par un équipement distant auquel le dispositif de surveillance DISP est connecté, comme un serveur ou une passerelle qui comprend les modules de classification MOD1_CLAS, MOD2_CLAS et MOD3_CLAS décrit en lien avec la et mettant en œuvre les modèles de caractérisation associés.
Ces étapes peuvent être réalisées indifféremment sur une machine de calcul reprogrammable (un ordinateur PC, un processeur DSP ou un microcontrôleur) exécutant un programme comprenant une séquence d’instructions, ou sur une machine de calcul dédiée (par exemple un ensemble de portes logiques comme un FPGA ou un ASIC, ou tout autre module matériel).
Dans le cas où le dispositif de surveillance DISP est réalisé avec une machine de calcul reprogrammable, le programme correspondant (c'est-à-dire la séquence d’instructions) pourra être stocké dans un médium de stockage amovible (tel que par exemple une carte SD, une clé USB, un CD-ROM ou un DVD-ROM) ou non, ce médium de stockage étant lisible partiellement ou totalement par un ordinateur ou un processeur.
On s’attache maintenant à décrire un exemple particulier de mise en œuvre du procédé de surveillance du stress d’un utilisateur UT selon l’invention en relation avec la .
L’utilisateur UT porte au poignet une montre connectée EQ3. Il est en retard pour son rendez-vous et marche vite. L’heure approche et son stress augmente. La montre connectée EQ3 mesure en continu l’évolution du rythme cardiaque de l’utilisateur à l'aide du cardiofréquencemètre électrique intégré. La montre connectée EQ3 mesure également en continu les mouvements du bras de l’utilisateur à l'aide d’un accéléromètre intégré.
L’ensemble des mesures (séquence temporelle de données au sens de l’invention) collectées par la montre connectée EQ3 sont ensuite transmises à destination du dispositif de surveillance DISP. La montre connectée EQ3 est par exemple apte à communiquer avec le dispositif DISP via une technologie de communication mobile (par exemple 2G, 3G, 4G, 5G, 6G) et plus particulièrement via une station de base SB et un réseau opérateur NET.
Alternativement, la montre connectée collecte des données sur une période de temps prédéfinie (par exemple 1 minute, 10 minutes, 1 heure, etc.).
Les données collectées sont ensuite reçues (E1) par le dispositif DISP qui met en œuvre le procédé de surveillance selon un mode de réalisation particulier. La séquence temporelle de données obtenue de la montre connectée EQ3 est ensuite traitée par le dispositif DISP (E2) afin de sélectionner les signaux d’intérêts présents dans la séquence temporelle de données (par exemple l’évolution dans le temps du rythme cardiaque et/ou les accélérations du bras de l’utilisateur).
Le dispositif DISP découpe ensuite les signaux d’intérêts obtenus (segmentation) toutes les 100 millisecondes sans recouvrement (E3).
Le dispositif DISP peut également, préalablement ou postérieurement à cette étape, traiter (E4) les signaux d’intérêts obtenus, respectivement les segments des signaux d’intérêts obtenus, à l’aide de filtre passe-bas pour débruiter l’information, de la normalisation pour uniformiser les données, du rééchantillonnage des données pour synchroniser les sources, etc.
Alternativement, les signaux d’intérêts sont traités par la montre connectée avant l’envoi (E1). Dans ce cas, l’étape E4 peut ne pas être réalisée.
Le procédé de surveillance met ensuite en œuvre le modèle de caractérisation MOD1 (E10) pour estimer la valeur d’arousal de chaque segment temporel des séquences temporelles des signaux d’intérêts / des segments temporels de la séquence temporelle de données. Le procédé obtient ainsi une séquence temporelle de valeurs d’arousal puis calcule la moyenne sur une fenêtre de temps prédéfinie (par exemple la dernière seconde, la dernière minute, etc.). La moyenne d’arousal obtenue par le procédé est par exemple de 4,2 sur une échelle de 1 à 6.
Le procédé de surveillance met ensuite en œuvre le modèle de caractérisation MOD2 (E11) pour estimer la valeur de valence de chaque segment temporel des séquences temporelles des signaux d’intérêts / des segments temporels de la séquence temporelle de données. Le procédé obtient ainsi une séquence temporelle de valeurs de valence puis calcule la moyenne en prenant la même fenêtre de temps prédéfinie que précédemment. La moyenne de valence obtenue par le procédé est par exemple de -2,6 sur une échelle de -3 à 3.
Puis le procédé met en œuvre le modèle de caractérisation MOD3 (E12) pour estimer une valeur de stress en fonction des valeurs des moyennes de valence et d’arousal obtenus lors des étapes E10 et E11. Le procédé obtient alors une valeur de stress de 2 sur une échelle de 0 à 2 (0 signifie sans stress, 1 correspond à un léger stress, 2 correspond un stress important). Cette valeur est ensuite analysée (E13). Le procédé considère cette valeur comme élevée et représentative d’un niveau de stress important.
Cette valeur de stress estimée déclenche (E14) une notification sur la montre connectée sous la forme d’une vibration lente et apaisante, favorable à diminuer le stress de la personne.
A noter que les échelles de valeurs d’arousal, de valence et de stress sont arbitraires et peuvent différer sans pour autant altérer l’évaluation du stress de l’utilisateur. D’autres échelles de valeurs peuvent être choisies par l’homme du métier sans pour autant sortir du cadre de l’invention.
Claims (12)
- Procédé de surveillance du niveau de stress d’un utilisateur (UT) à l’aide d’au moins un équipement utilisateur (EQ), ledit procédé de surveillance étant mis en œuvre par un dispositif de surveillance (DISP) et caractérisé en ce qu’il comprend :
- une étape d’obtention (E1), en provenance dudit au moins un équipement utilisateur, d’au moins une séquence temporelle de données ;
- une première étape de détermination (E10), en fonction de ladite au moins une séquence temporelle de données, d’une première séquence temporelle de valeurs (SA) représentatives de l’état d’excitation émotionnelle dudit utilisateur ;
- une deuxième étape de détermination (E11), en fonction de ladite au moins une séquence temporelle de données, d’une deuxième séquence temporelle de valeurs (SV) représentatives du niveau de positivité émotionnelle dudit utilisateur ;
- une troisième étape de détermination (E12), en fonction desdites première et deuxième séquences temporelle de valeurs, d’une troisième séquence temporelle de valeurs (ST) représentatives du niveau de stress dudit utilisateur. - Procédé de surveillance selon la revendication 1 caractérisé en ce que ladite au moins une séquence temporelle de données comprend au moins une mesure d’au moins un paramètre physiologique et/ou physique et/ou cinétique dudit utilisateur.
- Procédé de surveillance selon la revendication 2 caractérisé en ce que ledit au moins un paramètre est choisi dans un groupe comprenant au moins : l’activité cardiaque, l’intensité de la voix, la déformation du visage, une accélération.
- Procédé de surveillance selon la revendication 1 caractérisé en ce que ladite étape d’obtention est suivie d’une étape (E3) de segmentation temporelle de ladite au moins une séquence temporelle de données.
- Procédé de surveillance selon la revendication 1 caractérisé en ce que les segments temporels de ladite au moins une séquence temporelle de données sont traités (E4) par au moins un traitement choisi dans un groupe comprenant au moins : le filtrage passe-bas, la normalisation, le rééchantillonnage.
- Procédé de surveillance selon les revendications 4 à 5 caractérisé en ce que la détermination de ladite première séquence temporelle de valeurs (SA), respectivement de ladite deuxième séquence temporelle de valeurs (SV), comprend une mise en œuvre d’au moins un module d’intelligence artificielle configuré pour associer à partir d’un modèle de caractérisation de l’état d’excitation émotionnelle dudit utilisateur (MOD1), respectivement à partir d’un modèle de caractérisation du niveau de positivité émotionnelle dudit utilisateur (MOD2), au moins un segment temporel de ladite au moins une séquence temporelle de données à au moins une valeur représentative de l’état d’excitation émotionnelle dudit utilisateur, respectivement à au moins une valeur représentative du niveau de positivité émotionnelle dudit utilisateur.
- Procédé de surveillance selon la revendication 6 caractérisé en ce que la détermination de ladite troisième séquence temporelle de valeurs (ST) comprend une mise en œuvre d’au moins un module d’intelligence artificielle configuré pour associer à partir d’un modèle de caractérisation de l’état de stress dudit utilisateur (MOD3) une première valeur de ladite première séquence temporelle de valeurs (SA) et une deuxième valeur de ladite deuxième séquence temporelle de valeurs (SV) à au moins une valeur représentative du niveau de stress dudit utilisateur, lesdites première et deuxième valeurs étant associées à un même segment temporel de ladite au moins une séquence temporelle de données.
- Procédé de surveillance selon la revendication 6 caractérisé en ce qu’il comprend un apprentissage préalable (E5, E6) dudit modèle de caractérisation de l’état d’excitation émotionnelle dudit utilisateur (MOD1), respectivement dudit modèle de caractérisation du niveau de positivité émotionnelle dudit utilisateur (MOD2), à partir d’une base de données (LB_ARO_DB) d’apprentissage associant des segments temporels de séquences temporelles de données à au moins une valeur représentative d’un état d’excitation émotionnelle, respectivement à partir d’une base de données (LB_VAL_DB) d’apprentissage associant des segments temporels de séquences temporelles de données à au moins une valeur représentative d’un niveau de positivité émotionnelle.
- Procédé de surveillance selon la revendication 7 caractérisé en ce qu’il comprend un apprentissage préalable dudit modèle de caractérisation de l’état de stress dudit utilisateur (MOD3) à partir d’une base de données (LB_STR_DB) d’apprentissage associant des couples de valeurs comprenant une valeur représentative d’un état d’excitation émotionnelle et une valeur représentative d’un niveau de positivité émotionnelle à une valeur représentative d’un niveau de stress.
- Procédé de surveillance selon la revendication 1 caractérisé en ce que la troisième étape de détermination est suivie d’une étape d’analyse (E13) de ladite troisième séquence temporelle de valeurs (ST) et d’une étape d’émission (E14) d’une notification en fonction du résultat de ladite étape d’analyse.
- Dispositif de surveillance du niveau de stress d’un utilisateur à l’aide d’au moins un équipement utilisateur caractérisé en ce qu’il comprend :
- un module d’obtention (COM), en provenance dudit au moins un équipement utilisateur, d’au moins une séquence temporelle de données ;
- un premier module de détermination (MOD1_CLAS), en fonction de ladite au moins une séquence temporelle de données, d’une première séquence temporelle de valeurs (SA) représentatives de l’état d’excitation émotionnelle dudit utilisateur ;
- un deuxième module de détermination (MOD2_CLAS), en fonction de ladite au moins une séquence temporelle de données, d’une deuxième séquence temporelle de valeurs (SV) représentatives du niveau de positivité émotionnelle dudit utilisateur ;
- un troisième module de détermination (MOD3_CLAS), en fonction desdites première et deuxième séquences temporelle de valeurs, d’une troisième séquence temporelle de valeurs (ST) représentatives du niveau de stress dudit utilisateur. - Programme d'ordinateur comportant des instructions pour la mise en œuvre du procédé selon l'une quelconque des revendications 1 à 10, lorsque le programme est exécuté par un processeur.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2211880A FR3141849A1 (fr) | 2022-11-15 | 2022-11-15 | Procédé et dispositif de surveillance du niveau de stress d’un utilisateur |
PCT/EP2023/081038 WO2024104835A1 (fr) | 2022-11-15 | 2023-11-07 | Procédé et dispositif de surveillance du niveau de stress d'un utilisateur |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR2211880 | 2022-11-15 | ||
FR2211880A FR3141849A1 (fr) | 2022-11-15 | 2022-11-15 | Procédé et dispositif de surveillance du niveau de stress d’un utilisateur |
Publications (1)
Publication Number | Publication Date |
---|---|
FR3141849A1 true FR3141849A1 (fr) | 2024-05-17 |
Family
ID=85461886
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
FR2211880A Pending FR3141849A1 (fr) | 2022-11-15 | 2022-11-15 | Procédé et dispositif de surveillance du niveau de stress d’un utilisateur |
Country Status (2)
Country | Link |
---|---|
FR (1) | FR3141849A1 (fr) |
WO (1) | WO2024104835A1 (fr) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6520905B1 (en) * | 1998-02-26 | 2003-02-18 | Eastman Kodak Company | Management of physiological and psychological state of an individual using images portable biosensor device |
EP2196144A1 (fr) * | 2008-12-12 | 2010-06-16 | Universite de Rennes 1 | Dispositif de détermination d'un état de stress chez un sujet vivant, procédé et produit programme d'ordinateur correspondants |
US20180092574A1 (en) * | 2015-06-14 | 2018-04-05 | Facense Ltd. | Detecting physiological responses while accounting for touching the face |
WO2018215575A1 (fr) * | 2017-05-26 | 2018-11-29 | Jamzone B.V. | Système ou dispositif permettant la reconnaissance d'émotions avec induction de réponse d'actionneurs utile dans la formation et la psychothérapie |
US10877444B1 (en) * | 2017-06-07 | 2020-12-29 | Hrl Laboratories, Llc | System and method for biofeedback including relevance assessment |
WO2022119810A1 (fr) * | 2020-12-02 | 2022-06-09 | Innsightful, Inc. | Système et procédé de prévention, de diagnostic et de traitement de conditions de santé |
WO2022144813A1 (fr) * | 2020-12-30 | 2022-07-07 | Stressless Srl | Dispositif portable et méthode de détection du stress, de reconnaissance et de gestion des émotions |
US20220230632A1 (en) * | 2021-01-21 | 2022-07-21 | Accenture Global Solutions Limited | Utilizing machine learning models to generate automated empathetic conversations |
-
2022
- 2022-11-15 FR FR2211880A patent/FR3141849A1/fr active Pending
-
2023
- 2023-11-07 WO PCT/EP2023/081038 patent/WO2024104835A1/fr unknown
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6520905B1 (en) * | 1998-02-26 | 2003-02-18 | Eastman Kodak Company | Management of physiological and psychological state of an individual using images portable biosensor device |
EP2196144A1 (fr) * | 2008-12-12 | 2010-06-16 | Universite de Rennes 1 | Dispositif de détermination d'un état de stress chez un sujet vivant, procédé et produit programme d'ordinateur correspondants |
US20180092574A1 (en) * | 2015-06-14 | 2018-04-05 | Facense Ltd. | Detecting physiological responses while accounting for touching the face |
WO2018215575A1 (fr) * | 2017-05-26 | 2018-11-29 | Jamzone B.V. | Système ou dispositif permettant la reconnaissance d'émotions avec induction de réponse d'actionneurs utile dans la formation et la psychothérapie |
US10877444B1 (en) * | 2017-06-07 | 2020-12-29 | Hrl Laboratories, Llc | System and method for biofeedback including relevance assessment |
WO2022119810A1 (fr) * | 2020-12-02 | 2022-06-09 | Innsightful, Inc. | Système et procédé de prévention, de diagnostic et de traitement de conditions de santé |
WO2022144813A1 (fr) * | 2020-12-30 | 2022-07-07 | Stressless Srl | Dispositif portable et méthode de détection du stress, de reconnaissance et de gestion des émotions |
US20220230632A1 (en) * | 2021-01-21 | 2022-07-21 | Accenture Global Solutions Limited | Utilizing machine learning models to generate automated empathetic conversations |
Non-Patent Citations (8)
Title |
---|
COHEN S ET AL.: "A Global measure of perceived stress", JOURNAL OF HEALTH AND SOCIAL BEHAVIOR, vol. 24, 1983, pages 385 - 396, XP055295651, DOI: 10.2307/2136404 |
D. TOMOI ET AL.: "Estimation of stress during car race with factor analysis", 2015 INTERNATIONAL SYMPOSIUM ON MICRO-NANOMECHATRONICS AND HUMAN SCIENCE (MHS, 2015, pages 1 - 5, XP032885477, DOI: 10.1109/MHS.2015.7438258 |
KOSE MANGESH RAMAJI ET AL: "A new approach for emotions recognition through EOG and EMG signals", SIGNAL, IMAGE AND VIDEO PROCESSING, SPRINGER LONDON, LONDON, vol. 15, no. 8, 31 May 2021 (2021-05-31), pages 1863 - 1871, XP037584432, ISSN: 1863-1703, [retrieved on 20210531], DOI: 10.1007/S11760-021-01942-1 * |
Q. XUT. L. NWEC. GUAN: "Cluster-Based Analysis for Personalized Stress Evaluation Using Physiological Signals", IEEE JOURNAL OF BIOMÉDICAL AND HEALTH INFORMATICS, vol. 19, no. 1, January 2015 (2015-01-01), pages 275 - 281, XP011566704, DOI: 10.1109/JBHI.2014.2311044 |
VAZQUEZ-RODRIGUEZ JUAN ET AL: "Emotion Recognition with Pre-Trained Transformers Using Multimodal Signals", 2022 10TH INTERNATIONAL CONFERENCE ON AFFECTIVE COMPUTING AND INTELLIGENT INTERACTION (ACII), IEEE, 18 October 2022 (2022-10-18), pages 1 - 8, XP034234134, DOI: 10.1109/ACII55700.2022.9953852 * |
VAZQUEZ-RODRIGUEZ JUAN ET AL: "Transformer-Based Self-Supervised Learning for Emotion Recognition", 2022 26TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), IEEE, 21 August 2022 (2022-08-21), pages 2605 - 2612, XP034236881, DOI: 10.1109/ICPR56361.2022.9956027 * |
VAZQUEZ-RODRIGUEZ VAZQUEZ-RODRIGUEZ JUAN JUAN ET AL: "Transformer-Based Self-Supervised Learning for Emotion Recognition", ARXIV.ORG, 3 June 2022 (2022-06-03), Ithaca, pages 1 - 11, XP093046030, Retrieved from the Internet <URL:https://arxiv.org/pdf/2204.05103v2.pdf> [retrieved on 20230511], DOI: 10.48550/arXiv.2204.05103 * |
XU, P.ZHU, X.CLIFTON, D. A.: "Transformers Mul-timodaux", MULTIMODAL LEARNING WITH TRANSFORMERS: A SURVEY |
Also Published As
Publication number | Publication date |
---|---|
WO2024104835A1 (fr) | 2024-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210165490A1 (en) | Wearable computing apparatus and method | |
WO2017021662A1 (fr) | Procédés et systèmes de stimulation acoustique des ondes cérébrales | |
US20180144101A1 (en) | Identifying diagnosis-relevant health information | |
US20190212577A1 (en) | Dynamic contextual video capture | |
US20200302952A1 (en) | System for assessing vocal presentation | |
FR3048542A1 (fr) | Dispositif et methode de surveillance personnalises d'un conducteur d'un vehicule automobile | |
FR2679453A1 (fr) | Dispositif de reveil biologique programmable en fonction des phases du sommeil. | |
EP3768154A1 (fr) | Méthode de génération d'un indicateur d'état d'une personne dans le coma | |
FR3045257A1 (fr) | Procede et systeme de recuperation de donnees de fonctionnement d'un dispositif de mesure des ondes cerebrales | |
US20200302310A1 (en) | Generating Action Suggestions Based on A Change in User Mood | |
EP3511781B1 (fr) | Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie | |
EP3252563B1 (fr) | Détermination d'un contexte de mobilité d'un utilisateur porteur d'un équipement muni de capteurs inertiels | |
WO2024104835A1 (fr) | Procédé et dispositif de surveillance du niveau de stress d'un utilisateur | |
US11617513B2 (en) | Measuring rapid eye movement for cardiorespiratory monitoring | |
CH715018A1 (fr) | Dispositif et procédé de collecte, de sauvegarde, d'analyse ainsi que de mise à disposition des résultats de l'analyse de données de pièces d'horlogerie mécanique. | |
CN115132364A (zh) | 一种近视风险确定方法、装置、存储介质及可穿戴设备 | |
WO2020089539A1 (fr) | Procédé, dispositif et système de prédiction d'un effet d'une stimulation acoustique des ondes cérébrales d'une personne | |
EP4031005A1 (fr) | Système de détermination d'une émotion d'un utilisateur | |
WO2023217730A1 (fr) | Procédé de surveillance du sommeil d'un utilisateur, dispositif de surveillance et programme d'ordinateur correspondants | |
FR3103611A1 (fr) | Procédé et dispositif de suivi de l’activité d’une personne en perte d'autonomie | |
WO2023078356A1 (fr) | Surveillance et interrogation d'événements autobiographiques | |
KR102506646B1 (ko) | 라이프스타일 인식을 위한 서사 생성 장치 및 그 방법 | |
US20210124980A1 (en) | Augmented group experience event correlation | |
WO2020144421A1 (fr) | Procédé et dispositif de gestion intelligente d'une alarme pour le réveil d'une personne | |
FR3102591A1 (fr) | Prédiction d’état et commande d’un dispositif en fonction d’un état estimé |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PLFP | Fee payment |
Year of fee payment: 2 |
|
PLSC | Publication of the preliminary search report |
Effective date: 20240517 |