WO2016075013A1 - Procédé de détection de chute d'un sujet humain et dispositif actimétrique correspondant - Google Patents

Procédé de détection de chute d'un sujet humain et dispositif actimétrique correspondant Download PDF

Info

Publication number
WO2016075013A1
WO2016075013A1 PCT/EP2015/075727 EP2015075727W WO2016075013A1 WO 2016075013 A1 WO2016075013 A1 WO 2016075013A1 EP 2015075727 W EP2015075727 W EP 2015075727W WO 2016075013 A1 WO2016075013 A1 WO 2016075013A1
Authority
WO
WIPO (PCT)
Prior art keywords
fall
detecting
activity
acceleration measurements
processing
Prior art date
Application number
PCT/EP2015/075727
Other languages
English (en)
Inventor
Jean-Yves Fourniols
Christophe ESCRIBA
Nadim NASREDDINE
Original Assignee
Centre National De La Recherche Scientifique
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Centre National De La Recherche Scientifique filed Critical Centre National De La Recherche Scientifique
Publication of WO2016075013A1 publication Critical patent/WO2016075013A1/fr

Links

Classifications

    • 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
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • 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
    • A61B5/1118—Determining activity level
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/001—Alarm cancelling procedures or alarm forwarding decisions, e.g. based on absence of alarm confirmation
    • 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

Definitions

  • the field of the invention is that of remote monitoring of people.
  • the invention relates to a technique for detecting falls in a human subject.
  • Such detection is intended in particular to transmit an alarm to a third person performing a remote monitoring function.
  • the invention can find applications in many situations, and can in particular equip elderly and / or reduced mobility, isolated workers, children, ...
  • Known telealarm systems generally consist of a device worn by the person to watch (or wearer), presenting, for example, in the form of a bracelet worn around the wrist or a patch worn by the person.
  • These portable devices implement motion sensors so as to monitor the behavior of the wearer and provide for the triggering of an alarm message following a fall or malaise.
  • the invention has noted the same for its purpose of sharing with me some of these various disadvantages of the prior art.
  • an object of the invention is to provide a device and method for monitoring a person and detecting falls, which exhibit optimum reliability, and suppressing, or at least limiting strongly, the generation of false alarms.
  • the invention in at least one embodiment, aims to enable the detection of different types of falls with high kinetics, so as to limit false alarms.
  • the invention in addition to one embodiment, still aims to enable the detection of "soft" falls (the high kinetic fall of the "soft” fall is distinguished by the presence of a phase free fall, with a measured acceleration of the order of 1. In the case of a "soft" fall, only the consecutive shock of the fall is detected).
  • the invention aims to enable a fall detection that is both safer and more effective than known techniques.
  • an object of the invention is to provide such a device:
  • a method of detecting a fall of a human subject carrying at least one actimetric device comprising means for acquiring instantaneous acceleration measurements three axes and means for processing said acquired acceleration measurements, said method providing for the implementation by the processing means of the following steps:
  • the method also provides for the implementation by the processing means of the following steps:
  • the invention is based on the analysis of accelerometric data, that is to say of acceleration measurements acquired by an actimetric device carried by the person to be monitored, to monitor usual motor activities (walking, chores, sleep ) and detect a fall of the monitored person reliably.
  • the application of the invention implements, in parallel or consecutively: - un p re mieral go ri thmedet ra te me nt in te m es d th e accelerometric data to detect a fall and trigger an alert signal (first case) or postpone the triggering of the latter (second scenario ), and
  • the second processing algorithm makes it possible to confirm or deny the fall detected by the first processing algorithm.
  • the warning signal is confirmed (first case) or a warning signal is triggered (second case).
  • the warning signal is interrupted (first case) or no warning signal is triggered (second case).
  • the identification of the type of activity makes it possible to confirm or deny a fall detected by an ancillary algorithm operating in real time capable of detecting a fall from the accelerometric data acquired in real time.
  • the first algorithm processes the data of the accelerometer as and when they are acquired (sampled between 5 Hz and 50 Hz), the second algorithm dealing with time windows T n which are constructed by the data of the accelerometer but collected at a sampling frequency between 5 Hz and 50 Hz for a duration T n of between 2 and 10 min.
  • said second processing is implemented according to the average of the norms of the instantaneous accelerations measured over the first period of time.
  • said first processing comprises a step of calculating the orientation angles of the instantaneous accelerations along the three axes and a step of spectral analysis of the calculated orientation angles.
  • the second processing with transformation of acceleration measurements into an indicator of the activity of said human subject comprises:
  • the second treatment with transformation of the acceleration measurements into an indicator of the activity of said human subject further comprises a third step of calculating the dispersion of said standards when said calculated average value is lower than said first predetermined threshold or calculation of the spectrum of said standards when said calculated average value is greater than said first predetermined threshold.
  • the method further comprises a step of detecting a potential abnormal situation when said dispersion is less than a second predetermined threshold.
  • the step of detecting a potential abnormal situation is followed by a step of confirming or invalidating the potential abnormal situation, comprising a step of spectral analysis of the instantaneous accelerations measured during the first period of time.
  • the step of detecting a potential abnormal situation is followed by a step of confirming or reversing the potential abnormal situation as a function of the indicator (s) of the activity. determined during the time period (s) following the first period of time.
  • the method further comprises a step of detecting a low kinetic drop when said dispersion is greater than a second predetermined threshold.
  • said step of detecting a low-kinetic fall implements a step of detecting an immobility and a step of com parison between the movement and the environment. immobibility with the onset of gravity.
  • said step of detecting a low kinetic fall furthermore implements a detection stage for a variation in height of said subject or a step of detecting an angular acceleration.
  • said indicator of the activity consists of one of two predetermined classes and one of several predetermined subclasses.
  • the class of said indicator of the activity is determined as a function of the result of the second comparison step between said calculated average value and said first predetermined threshold.
  • the method includes a step of determining the subclass of said activity indicator according to the dispersion analysis of the instantaneous acceleration standards measured over the first period of time. or spectrum analysis of such standards.
  • the method further comprises a step of storing the indicator of the activity associated with a period of time.
  • the determination, the processing and the storage of indicators of the activity of a person make it possible to limit the electrical consumption of the measurement and calculation means implemented in the portable device.
  • the method further comprises a step of remotely transmitting one or more indicators of the activity, periodically or not.
  • the invention furthermore relates to an actimetric device intended to be worn by a human subject and comprising means for acquiring acceleration measurements which are provided on three axes and means of treatment. esu res acquired acceleration means, the processing means being adapted to implement the method of detecting the fall of said human subject according to the first embodiment.
  • the actimetric device comprises three accelerometers whose output signals supply the processing means and detection of a fall.
  • Such a device is compact and inexpensive.
  • the invention relates to a method of detecting a fall of a human subject carrying at least one actimetric device, said device comprising means for acquiring instantaneous acceleration measurements along three axes and means processing said acquired acceleration measurements, said method providing for implementation by the processing means of the following steps:
  • said first processing comprises a step of calculating the orientation angles of the instantaneous accelerations along the three axes and a step of spectral analysis of the creflected orientation angles.
  • Such an algorithm is capable of detecting a high kinetic drop due to the particular signature of the accelerometric data acquired in real time.
  • the invention furthermore relates to an actimetric device intended to be worn by a human subject and comprising means for acquiring acceleration measurements which are provided on three axes and means of treatment. Acquisition accelerators acquired, the processing means being adapted to implement the method of detecting the fall of said human subject according to the second embodiment.
  • Figure 1 is a schematic representation of an example of actimetric device for implementing the fall detection method according to the invention
  • FIG. 2 is a general synoptic illustrating the fall detection methodology (using a first Al algorithm) and the identification of the activity (using a second A2 algorithm).
  • a carrier of the actimetric device of the invention
  • FIG. 3 schematically illustrates the possibility of confirming, by means of the second algorithm A2, the type of fall detected by means of the first algorithm Al;
  • FIG. 4 schematically illustrates the construction of the data necessary for the longitudinal analysis (by means of a third algorithm A3) of the activities of the wearer of the actimetric device of the invention
  • FIG. 5A illustrates an illustrative example of an acceleration signal acquired by the actimetric device as a function of time, FIG. 5B representing the average value MoyA n resulting from the signal of FIG. 5A;
  • FIG. 6A illustrates the spectrum over a representative time window Tn of a carrier driving a car, FIG. 6B illustrating the spectrum over a representative time window Tn of a carrier lying in a bus;
  • FIG. 6D illustrates the spectrum over a representative time window Tn of a walking wearer
  • FIG. 6F illustrating the envelopes of N time window spectra representative of a wearer walking
  • FIG. 6C illustrates the spectrum over a time window Tn representative of a carrier having a non-periodic manual activity
  • FIG. 6E illustrating the spectra on N time windows Tn representative of a carrier having a non-periodic manual activity
  • FIG. 8 illustrates the variations over time of the values (in g) of the quantity IIAII t during a fall phase of a carrier
  • FIGS. 9A to 9C represent the calculated value of the angles during a fall phase with recovery as well as in the following instants;
  • FIGS. 10A to 10C show the spectrum of the angles during a fall phase with recovery as well as in the following moments;
  • FIGS. 11A to 11C show the calculated value of the angles during a choppy fall phase as well as in the following moments;
  • FIGS. 12A to 12C show the spectrum of the angles after the fall
  • FIGS. 13A to 13C show the calculated value of the angles during a fall phase with loss of consciousness as well as in the following moments
  • FIGS. 14A to 14C show the spectrum of the angles after a fall in the case of a malaise
  • FIG. 15 illustrates in detail the methodology for identifying the activity by means of the second algorithm A2.
  • FIG. 1 is a schematic representation of an example of an actimetric device for implementing the accelerometer data analysis and fall detection method in accordance with the invention.
  • This actimetric device, or actimeter, 1 is worn at the wrist of a user, or carrier, by means of fastening means (not shown), such as a bracelet, for example.
  • the carrier may be an elderly person and / or person with reduced mobility, an isolated worker, a child, ...
  • the actimetric device 1 comprises a housing (not shown) enclosing:
  • a multidirectional accelerometer 12 capable of measuring accelerations along the three axes X, Y, Z of the Cartesian coordinate system (0, X, Y, Z) and an amplifier 13 of the measured signals;
  • wireless communication means comprising a) means 141 for transmitting data (in particular one or more activity indicators derived from the measurements provided by the accelerometer 12) and a signal d alerting a remote external receiver, and b) data receiving means 142;
  • a microprocessor 15 comprising means for processing / calculating the measurements provided by the accelerometer 12, storage means and alarm management means.
  • This actimetric device 1 is intended for remote monitoring of a living subject, for example a senior, in particular for the detection of discomfort and / or a fall.
  • the invention thus proposes a technique for detecting a fall by the exploitation / analysis of accelerometric data which are acquired via actimetric device 1 in the form of a wristband worn by the user, or carrier, at the wrist.
  • the technique of the invention aims at detecting, by means of a first algorithm Al instantaneous analysis (pseudo real time), different types of fall with free fall (fall with immobilization, fall with agitation or tremor, fall with recovery ).
  • the first algorithm searches for the presence of a pre-alarm fall (free fall followed by a shock in the same direction as the gravitation vector and a small oscillation).
  • the detection of a fall and generation of an alarm is a function of the angles of orientation of the accelerations insta ned after the three axes and the spectral analysis of the c lculated orientation angles.
  • the first Al algorithm is able to detect a high kinetic drop thanks to the particular signature of the accelerometric data acquired in real time.
  • the first Al algorithm is implemented alone.
  • a second analysis algorithm A2 over a time window T n is implemented in parallel with the first algorithm Al.
  • the second algorithm A2 allows the classification of the type of activity exerted (somme l imity, different types of passive or active static activities, and dynamic activities) by the carrier among a number of pre-established activities.
  • a confirmation can be expected from the second algorithm A2 before sending the alarm.
  • the confirmation (algorithm A2) is expected according to the degree of certainty of the diagnosis (Al algorithm).
  • FIG. 3 shows by means of dashed arrows the confirmation of the type of fall (determined by means of the first Al algorithm) by the type of activity (determined by means of the second algorithm A2).
  • the second algorithm A2 also makes it possible to detect a particular type of fall, called a "soft fall” (case S22), which does not exhibit high kinetics.
  • the second algorithm A2 also makes it possible to detect activities representative of a very active behavior due to an intense sports activity or to a restless state (case D1).
  • the distinction between these two states can be made according to the profile of the user / carrier (depending on whether it is an elderly person or an active person, for example).
  • the third algorithm A3 of longitudinal macroscopic analysis of the activities allows the counting of successive immobilities and the establishment of statistics, over a predetermined duration, relating to the activities exerted by the wearer (determined by the second algorithm A2).
  • Al algorithm for detecting a fall (due to a malaise for example) of a person equipped with the actimetric device 1 allows reliable detection of a fall, and removes, or at least minimizes, false alarms.
  • the algorithm Al makes it possible to quantify the probability that the detection of a "pre-alarm falls" (case C1 in FIG. 2), detected by the presence of a free fall followed by a shock in the same direction as the vector gravitation and a weak oscillation, a "true fall alarm”.
  • Al algorithm described below, can respond alone in real time to the problem of the fall (according to a first embodiment) or with a slight delay based on the confirmation / denial of the treatment of the time window T n by means of the algorithm A2 (according to a second embodiment), which reduces the risk of false detection.
  • the maximum processing time can be 4 minutes after the time of appearance of the fall. It is however possible to reduce this delay by interleaving this processing algorithm with a second processing algorithm shifted by Tk / 2.
  • algorithm Al implements a processing of the acceleration measurements acquired at regular intervals t on the time window T n .
  • FIG. 8 illustrates the variations over time of the values (g) of the quantity IIAII t during a falling phase of the carrier of the actimetric device 1.
  • a disadvantage of this known approach is that the presence of these two phases does not indicate exclusively a drop. Indeed, several actions of everyday life can give rise to similar accelerometric phenomena (the release of the hand for example, or to hit the hand on an obstacle).
  • the invention provides an assay specifically dedicated to drop which is established in real time (according to the first embodiment) or in the treatment of the interval T n (according to the second sheave lisation mode).
  • the detection of a fall phase and a shock phase constitutes only a "pre-fall alarm" C1 which is then confirmed or invalidated.
  • step C1 the presence of im mobility (Cil) is determined in ca lcu la nt the va their average of the acceleration on a time interval ⁇ followed by the pre-a fall, of the order of 30 seconds, and com par t at a predetermined threshold.
  • the Al algorithm implements (C12) a calculation of the orientations of the accelerations according to each of the projection planes of the trihedron (x, y, z).
  • C12 a calculation of the orientations of the accelerations according to each of the projection planes of the trihedron (x, y, z).
  • FIGS. 11A to 11C illustrate the calculated value of the angles during a choppy fall phase (case of a disordered overactivity, that is to say that the person fell then is very agitated after his fall) as well as in the following moments.
  • FIGS. 12A to 12C show the spectrum of the angles after the fall which confirms that the wearer is very agitated by the presence of numerous frequency components in a given frequency range.
  • FIGS. 12A to 12C If it is determined that the variation of theta is ordered, it is determined (C121) that it is a fall followed by a change of posture and immobility (with loss of conscience, during a malaise for example) and the pre-alarm is confirmed.
  • Figures 13A to 13C shows the calculated value of the angles during a fall phase with change of posture and loss of consciousness (case of discomfort, the person being unconscious) and in the following moments. In this case, there is a sudden change in the angular direction of the acceleration followed by a stabilization of the value of the angular orientation.
  • Figures 14A to 14C is shown the spectrum of angles after the fall in the case of discomfort. The very small values are shown on the ordinate for the X, Y and Z axes with respect to FIGS. 12A to 12C.
  • FIGS. 9A-9C show the calculated value of the angles during a fall with recovery (C123) as well as in the following moments. We note that the variations of the theta angles are relatively slow and representative of a controlled activity.
  • FIGS. 10A to 10C show the spectrum of the angles during a fall phase with recovery (the wearer falls and rises, for example) as well as in the following moments.
  • a confirmation of the case Cl11, C121, C122 or C123 determined by the implementation of the first algorithm A l can be performed during the exploration and identification of the activity indicators of the period Tn through the second A2 algorithm.
  • a confirmation can be expected from the A2 algorithm before sending the alarm.
  • the immobility detection step (Cil) makes it possible to avoid the calculation of the angular directions of IIAII t and of their Fourier transform (C12) if this step proves to be useless.
  • the activity indicators consist of a class (static or dynamic) and a subclass associated with an identified behavior (normal, active, very active, quiet activity). , passive, ). These classes and subclasses are configurable according to the application.
  • Each of the indicators is represented by a gray box with rounded edges in FIGS. 2, 3, 4 and 15 (for example, the indicator of quiet activity (meal) denoted D211 consists of the dynamic class D and subclass 211).
  • the signal of the accelerometer 12 is sampled at a frequency varying between 5Hz and 50Hz, and then these data, associated in the form of an effective acceleration standard, that is to say, no more than earth gravity has been suppressed, are grouped together during a time window T n .
  • the time window T n which is between 2 and 10 minutes for example, is configurable (depending on the application) as well as the various thresholds mentioned below.
  • the static / dynamic threshold may be remotely reconfigurable via the reception means 142 of the actimetric device 1.
  • time window T n is processed by the algorithm A2 at the end of the period T n .
  • the algorithm A2 processes the acceleration measurements (value "g") as a function of time and determines the standard of the acceleration (or average acceleration) denoted IIAII t .
  • the compensation of the acceleration due to the Earth's gravity is carried out in the calculation of this standard of the effective acceleration IIAII t .
  • the A2 algorithm uses the standard of acceleration freed from acceleration to the ground due to Earth's gravity.
  • the sign of the effective acceleration IIAII t is positive during the acceleration phase, and negative during the deceleration phase. Its value is close to -lg in the case of a free fall.
  • the algorithm A2 determines the first level (or level 1, or class) of the indicator of the activity of the carrier among two states, namely the static state (S) and the dynamic state (D).
  • MoyAn Mean (absolute values (IIAII t ))
  • a predetermined threshold static / dynamical can be used to classify the two static (S) or dynamic (D) states over the interval T n .
  • FIG. 5A An illustrative example of an acceleration signal as a function of time is shown in FIG. 5A.
  • Figure 5B shows the average value MoyA n from the signal of Figure 5A. It is noted that over three time ranges, activities are considered as static (S).
  • the second level (level 2 or subclass) of the activity indicator associated with the period T n is then determined.
  • the vital signs detecting step (ie movements) can be done by comparing the average value Moya n with a predetermined threshold called “sleep threshold” or pa r detecting a frequency characteristic as shown com ponent on the other hand in the graph of FIG. 15 representing the various steps implemented in A2.
  • the algorithm A2 diagnoses a phase "without any activity" , then this translates a potential risk of loss of consciousness (or tearing of the sensor) which causes the triggering of an alarm (S112).
  • the maximum number of successive no-activity periods can be configured.
  • the A2 algorithm can identify a state of immobility (SU) that can be exploited in two ways. Let the algorithm A2 confirm a fall that has been detected by the Al algorithm where the immobility is representative of the consequence of the fall (concept of minimizing the error at rme), or it allows to detect a malaise ( loss of consciousness during sleep that is to say without acceleration / fall detected) and algorithm A3 confirms this state of malaise pre-diagnosis by a longitudinal follow-up of other periods T n + i ⁇ which follow temporally the period T n where this static static state (SU) has been detected.
  • the algorithm A2 implements a test called "soft fall test" (case S22). This makes it possible to detect a fall which can not be characterized by high kinetics, that is to say without free fall (in the case of a fall with support on a wall, for example). The triggering of the search for this fall is in inverse time to that of the fall search of the Al algorithm.
  • the identification of the check is triggered by the detection of a drop. followed by a shock (pre-alarm fall).
  • the detection of a "soft" fall is first validated by the detection of an immobility that can be caused by a soft fall or low kinetics, not detected by Al and then by the analysis of what has happened. passed before immobilization (it is thus determined whether the last movement detected was in the direction of gravity (impact with the ground)).
  • additional information may be beneficial, and may be derived from an altimeter (included in device 1) which detects a height decrease of more than 70 cm at the same time as shock confirms the fall or a gyroscope (included in the device 1) detecting the presence or absence of angular acceleration.
  • FIG. 6B illustrates the spectrum over a time window Tn representative of a carrier lying in a bus; or
  • FIG. 6A illustrates the spectrum over a representative time window Tn of a carrier driving a car.
  • step DO the spectrum of the standards IIAII t over the period T n is calculated (step DO) so as to determine the second level the activity / behavior indicator.
  • FIG. 6D illustrates the spectrum over a representative time window Tn of a wearer practicing walking.
  • FIG. 6F illustrates the spectra on N time windows Tn representative of a wearer practicing walking;
  • FIG. 6C illustrates the spectrum over a representative time window Tn of a carrier having non-periodic manual activity.
  • FIG. 6E shows spectra on N temporal febrers Tn representative of a carrier having a nonperiodic manual activity.
  • the activity indicators calculated in a time window T n are compared from the point of view of variations (or confirmations for a state of alert) with the windows. previous temporals T nk .
  • This analysis makes it possible to monitor variations / deviations of the successive activity indicators, which makes it possible to obtain an analysis over long periods.
  • the algorithm A3 makes it possible, as illustrated in FIG. 4, to store the activity indicator determined at the end of each period of time T n and to record, for example, the successive im mobities, for example the daily percentage of activities and the daily rest percentage of the carrier.
  • Longitudinal analysis allows for behavioral analysis to identify deterioration or improvement in mood, change in daily habits, and / or decreased physical activity.
  • the approach of detecting a chug according to the invention is at two temporal levels, that is to say two seconds of re ect to identify / confirm the state of fall .
  • the first algorithm allows the identification of the conditions of rapid fall detection (pre-alarm fall), which is then confirmed or invalidated by the classification of phases after the high kinetic drop:
  • Al algorithm is able to identify almost instantly the conditions of the risk of falling ("pre-alarm fall") and then analyze the phases of activity that ensue immobility (no activity) or ordered character ( significant) / disorder arising from the angular position of the sensor (accelerometer).
  • Figures 3 and 4 illustrate the methodology for confirming or reversing the previously detected high kinetic fall.
  • the algorithm A2 aims to classify the behavior of the user from indicators of its activity from acceleration measurements that are acquired by the accelerometer.
  • the identification of the type of activity makes it possible to confirm or not an alarm in case of abnormal situation.
  • the acceleration measurements and the observation of their variations by means of the algorithms A2 and A3 make it possible to deduce the level / type of activity of the user and the coherence of this activity.
  • the identified activities it is also possible to identify the risk of discomfort resulting from any signal perceived by the accelerometer by discriminating the phases of sleep thanks to the longitudinal follow-up provided by the algorithm A3.
  • the signature is representative of a potential abnormal situation, such as the absence of movement
  • the triggering of an alert signal is delayed to avoid false alarms, and additional processing of the data.
  • accelerometric and / or the indicator analysis of the following period (s) is / are implemented.
  • the Al, A2 and A3 algorithms are implemented in the processing means of the microprocessor 15.
  • the acceleration measurements acquired by the accelerometer 12 are received and processed by the processing means of the actimetric device 1. It is recalled that the carrier , and therefore the accelerometer 12, are subjected to a constant acceleration to the ground due to gravity. To this constant acceleration is added the com posa nte due to the activity of the wearer.
  • the transmission means 141 of the actimetric device 1 transmit an alert signal to a remote unit, in this example.
  • an audible alert can be triggered.
  • the approach of the invention can meet the requirement of energy efficiency (ambulatory operation of the actimetric device 1 battery or battery) by combining two approaches:
  • the activity indicator which is determined at the end of each period T n is stored in the storage means of the actimetric device 1, and possibly transmitted to a remote site (periodically or no, and / or retrieved on demand), then the accelerometer measurement data is erased from the memory of the actimetric device 1.
  • the activity indicator determined at the end of the period T n is compared with the activity indicator determined at the end of the period T n- i, and is transmitted only to a remote site if the two successive activity indicators are different.
  • sensors worn or not by the person
  • sensors may make it possible to complete and / or refine the classification of the activity of the wearer.
  • Typical issues are the supervision of elderly people at home or in institutions.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Veterinary Medicine (AREA)
  • General Physics & Mathematics (AREA)
  • Physiology (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Emergency Alarm Devices (AREA)

Abstract

L'invention concerne de détection de chute d'un sujet humain portant au moins un dispositif actimétrique qui comprend des moyens d'acquisition des mesures d'accélération instantanée suivant trois axes et des moyens de traitement desdites mesures d'accélération acquises, ledit procédé prévoyant la mise en œuvre par les moyens de traitement des étapes suivantes: -premier traitement des mesures d'accélération instantanées, -détection d'une chute dudit sujet humain en fonction du résultat dudit premier traitement, -génération, au moins dans certains cas, d'un signal d'alarme, local et/ou vers un site distant, dans le cas où une chute est détectée. Selon l'invention, ledit procédé prévoit la mise en œuvre par les moyens de traitement d'un deuxième traitement des mesures d'accélération instantanées de façon à délivrer un indicateur d'activité dudit sujet et de génération d'un signal de confirmation d'alarme, local et/ou vers un site distant, dans le cas où la chute est confirmée par le biais dudit indicateur d'activité.

Description

Procédé de détection de chute d'un sujet humain et dispositif actimétrique correspondant
1. Domaine de l'invention
Le domaine de l'invention est celui de la surveillance à distance des personnes.
Plus précisément encore, l'invention concerne une technique de détection de chutes chez un sujet humain.
Une telle détection a notamment pour but la transmission d'une alarme vers une tierce personne réalisant une fonction de télésurveillance.
L'invention peut trouver des applications dans de nombreuses situations, et peut notamment équiper des personnes âgées et/ou à mobilité réduite, des travailleurs isolés, des enfants, ...
2. Solutions de l'art antérieur
Les systèmes de téléalarmes connus sont généralement constitués d'un dispositif porté par la personne à surveiller (ou porteur), se présentant, par exemple, sous la forme d'un bracelet porté autour du poignet ou d'un patch porté par la personne.
Ces dispositifs portables mettent en œuvre des capteurs de mouvement de façon à pouvoir surveiller le com portement du porteur et prévoient le déclenchement d'un message d'alarme suite à une chute ou un malaise.
Ces dispositifs produisent souvent de fa usses a la rmes pouva nt entraîner des interventions in utiles. En pa rticulier, les nom breux mouvements possi bles du bras peuvent être interprétés comme une chute.
En outre, toutes les chutes ou malaises ne sont pas systématiquement détectés.
Par ailleurs, ces dispositifs présentent une consommation électrique importante, ce qui est un facteur de limitation de son utilisation pour une personne en site isolé.
Po u r pa re r à ces erreurs et s'assurer de la détection d'une chute, d'autres dispositifs connus mettent également en œuvre des capteurs de mesures de certains paramètres physiologiques (fréquence cardiaque, tension artérielle, température corporel le). I l s'agit toutefois de systèmes complexes (et pa r conséquent, de fai ble autonomie), encombrants et coûteux.
3. Objectifs de l'invention
L'i nve ntion a nota m me nt pou r objectif de pa l lier a u moi ns certai ns de ces différents inconvénients de l'art antérieur.
Plus précisément, dans au moins un mode de réalisation, un objectif de l'invention est de fournir un dispositif et procédé de surveillance d'une personne et de détection chutes, qui présentent une fiabilité optimale, et supprimant, ou à tout le moins limitant fortement, la génération de fausses alarmes.
En particulier, l'invention, dans au moins un mode de réalisation, a pour objectif de permettre la détection de différents types de chutes à cinétique élevée, de façon à limiter les fausses alarmes.
L'invention, da ns au moi ns u n mode de réa lisation, a encore pour objectif de permettre la détection de chutes « molles » (on différencie la chute à cinétique élevée de la chute « molle » pa r la présence d'une phase de chute libre, avec une accélération mesurée de l'ordre de lg. Dans le cas d'une chute « molle », seul le choc consécutif de la chute est détecté).
En d'a utres termes, l'invention a pour objectif de permettre une détection de chutes qui soit à la fois plus sûre et plus efficace que les techniques connues.
Par ailleurs, un objectif de l'invention est de fournir un tel dispositif :
qui soit relativement simple et peu coûteux à fabriquer ;
qui présente une faible consommation, et donc une bonne autonomie ; qui soit peu encombrant et ergonomique (c'est-à-dire qu'il ne présente pas de gêne pour le porteur) ;
- qui peut être utilisé à domicile, ou dans un hôpital ou une clinique.
4. Exposé de l'invention
Ces objectifs, ainsi que d'autres qui apparaîtront plus clairement par la suite, sont atteints, selon un premier mode de réalisation, à l'aide d'un procédé de détection de chute d'un sujet humain portant a u moins un dispositif actimétrique, ledit dispositif comprenant des moyens d'acquisition des mesures d'accélération instantanée suivant trois axes et des moyens de traitement desdites mesures d'accélération acquises, ledit procédé prévoyant la mise en œuvre par les moyens de traitement des étapes suivantes :
premier traitement des mesures d'accélération instantanées, détection d'une chute dudit sujet humain en fonction du résultat dudit premier traitement, et
génération, au moins dans certains cas, d'un signal d'alarme, loca l et/ou vers un site distant, dans le cas où une chute est détectée.
Selon ce premier mode de réalisation de l'invention, le procédé prévoit en outre la mise en œuvre par les moyens de traitement des étapes suivantes :
second traitement des mesures d'accélération avec transformation des mesu res d'accé lé ratio n à l'issue d' u ne pre m iè re pé riode de te m ps e n u n indicateur de l'activité dudit sujet humain parmi un nombre d'activités prééta blies, lesdits premier et second traitements s'effectua nt en pa ra llèle ou successivement;
confirmation ou infirmation de la chute en fonction dudit indicateur de l'activité déterminé par le second traitement,
génération d'un signal de confirmation d'alarme, local et/ou vers un site distant, dans le cas où la chute est confirmée.
L'invention est basée sur l'analyse de données accélérométriques, c'est-à-dire de mesures d'accélération acquises par un dispositif actimétrique porté par la personne à surveiller, pour surveiller des activités motrices habituelles (marche, tâches ménagères, sommeil) et détecter une chute de la personne surveillée de façon fiable.
Po u r ce fa i re, l 'a p p roche de l ' i nvention met en œuvre, en parallèle ou consécutivement : - u n p re m i e r a l go ri t h m e d e t ra i te m e nt e n te m ps ré e l d e s d o n n é e s accélérométriques pour détecter une chute et déclencher un signal d'alerte (premier cas de figure) ou différer le déclenchement de ce dernier (deuxième cas de figure), et
- un deuxième algorithme de traitement des données accélérométriques acquises durant un laps de temps prédéterminé en un indicateur de l'activité de la personne parmi plusieurs indicateurs préétablis.
U n ou plusieurs de ces indicateurs préétablis correspondant potentiellement à une situation anormale (une absence de mouvement suite à une chute par exemple), le deuxième algorithme de traitement permet de confirmer ou d'infirmer la chute détectée par le premier algorithme de traitement.
Dans le cas où la chute est confirmée, le signal d'alerte est confirmé (premier cas de figure) ou bien un signal d'alerte est déclenché (deuxième cas de figure).
Dans le cas où la chute est infirmée, le signal d'alerte est interrompu (premier cas de figure) ou bien aucun signal d'alerte n'est déclenché (deuxième cas de figure).
En résumé, l'identification du type d'activité permet de confirmer ou d'infirmer une chute détectée par un algorithme annexe fonctionnant en temps réel capa ble de détecter une chute à partir des données accélérométriques acquises en temps réel.
Ainsi, selon l'invention, on obtient une détermi nation efficace et précise des chutes, le procédé de l'invention limitant les erreurs de détection.
On note que le premier algorithme traite les données de l'accéléromètre au fur et à mesure de leur acquisition (échantillonnées entre 5 Hz et 50Hz), le deuxième algorithme traitant des fenêtres temporelles Tn qui sont construites par les données de l'accéléromètre mais collectées à une fréquence d'échantillonnage entre 5 Hz et 50 Hz pendant une durée Tn comprise entre 2 et 10 min.
II est en outre plus avantageux de mettre en œuvre le premier algorithme puis le deuxième en termes d'économies d'énergie.
Selon un aspect pa rticulier de l'invention, ledit second traitement est mis en œuvre en fonction a u moi ns de la va le u r moye n ne des normes des accélé rations instantanées mesurées sur la première période de temps. Selon un aspect particulier de l'invention, ledit premier traitement comprend une étape de calcul des angles d'orientation des accélérations instantanées suivant les trois axes et une étape d'analyse spectrale des angles d'orientation calculés.
Selon un aspect particulier de l'invention, le second traitement avec transformation des mesures d'accélération en un indicateur de l'activité dudit sujet humain comprend :
une première étape de calcul de la valeur moyenne des normes des accélérations instantanées mesurées sur la première période de temps, et une deuxième étape de comparaison entre ladite valeur moyenne calculée et un premier seuil prédéterminé.
Selon un aspect particulier de l'invention, le second traitement avec transformation des mesures d'accélération en un indicateur de l'activité dudit sujet humain comprend en outre une troisième étape de calcul de la dispersion desdites normes lorsque ladite valeur moyenne calculée est inférieure audit premier seuil prédéterminé ou de calcul du spectre desdites normes lorsque ladite valeur moyenne calculée est supérieure audit premier seuil prédéterminé.
Selon un aspect particulier de l'invention, le procédé comprend en outre une étape de détection d'une situation anormale potentielle lorsque ladite dispersion est inférieure à un second seuil prédéterminé.
Selon un aspect particulier de l'invention, l'étape de détection d'une situation anormale potentielle est suivie d'une étape de confirmation ou d'infirmation de la situation anormale potentielle comprenant une étape d'analyse spectrale des accélérations instantanées mesurées pendant la première période de temps.
Selon un aspect particulier de l'invention, l'étape de détection d'une situation anormale potentielle est suivie d'une étape de confirmation ou d'infirmation de la situation anormale potentielle en fonction du ou des indicateur(s) de l'activité déterminé lors de la ou des période(s) de temps suivant(s) la première période de temps.
Selon un aspect particulier de l'invention, le procédé comprend en outre une étape de détection d'une chute à faible cinétique lorsque ladite dispersion est supérieure à un second seuil prédéterminé. Selon un aspect particulier de l'invention, ladite étape de détection d'une chute à faible cinétique met en œuvre une étape de détection d'une immobilité et une étape de com pa ra ison d u se ns d u mouve ment a nté rie u r à l' i m mobi lité avec le se ns de la pesanteur.
Selon un aspect particulier de l'invention, ladite étape de détection d'une chute à faible cinétique met en œuvre en outre une éta pe de détection d' une variation de hauteur dudit sujet ou une étape de détection d'une accélération angulaire.
Selon un aspect particulier de l'invention, ledit indicateur de l'activité est constitué d'une classe, parmi deux classes prédéterminées, et d'une sous-classe, parmi plusieurs sous-classes prédéterminées.
Selon un aspect particulier de l'invention, la classe dudit indicateur de l'activité est déterminée en fonction du résultat de la deuxième étape de comparaison entre ladite valeur moyenne calculée et ledit premier seuil prédéterminé.
Selon un aspect particulier de l'invention, le procédé com prend une éta pe de détermination de la sous-classe dudit indicateur de l'activité en fonction de l'analyse de la dispersion des normes des accélérations instantanées mesurées sur la première période de temps ou de l'analyse du spectre desdites normes.
Selon un aspect particulier de l'invention, le procédé comprend en outre une étape de stockage de l'indicateur de l'activité associé à une période de temps.
La détermination, le traitement et le stockage d'indicateurs de l'activité d'une personne permettent de limiter la consommation électrique des moyens de mesure et de calcul mis en œuvre dans le dispositif portable.
Selon un aspect particulier de l'invention, le procédé comprend en outre une étape de transmission à distance d'un ou plusieurs indicateurs de l'activité, de façon périodique ou non.
Ceci permet d'assurer un suivi à distance sur une longue durée (sur une journée par exemple) des activités exercées par la personne surveillée.
L'invention concerne par ailleurs un dispositif actimétrique destiné à être porté par un sujet humain et comprenant des moyens d'acquisition des mesures d'accélération i nsta nta née su iva nt trois axes et des moye ns de tra ite m e nt desd ites m esu res d'accélération acquises, les moyens de traitement étant destiné à mettre en œuvre le procédé de détection de chute dudit sujet humain selon le premier mode de réalisation.
Selon un mode de réalisation préférentiel de l'invention, le dispositif actimétrique comprend trois accéléromètres dont les signaux de sorties alimentent les moyens de traitement et de détection d'une chute.
Un tel dispositif est peu encombrant et peu coûteux.
L'invention, selon un deuxième mode de réalisation, concerne un procédé de détection de chute d'un sujet humain portant au moins un dispositif actimétrique, ledit dispositif comprenant des moyens d'acquisition des mesures d'accélération instantanée suivant trois axes et des moyens de traitement desdites mesures d'accélération acquises, ledit procédé prévoyant la mise en œuvre pa r les moyens de traitement des étapes suivantes :
premier traitement des mesures d'accélération instantanée, détection d'une chute dudit sujet humain en fonction du résultat dudit premier traitement,
génération d'un signal d'alarme, local et/ou vers un site distant, dans le cas où une chute est détectée.
Selon ce deuxième mode de réalisation de l'invention, ledit premier traitement comprend une étape de calcul des angles d'orientation des accélérations instantanées suivant les trois axes et une étape d'analyse spectrale des angles d'orientation ca lculés.
Il est ainsi proposé un algorithme de détection d'une chute et de génération d'une a la rme, fonctio n na nt e n te m ps rée l, e n fo nction des angles d'orientation des accélérations insta nta nées suiva nt les trois axes et de l'ana lyse spectra le des a ngles d'orientation ca lculés.
Un tel algorithme est capable de détecter une chute à cinétique élevée grâce à la signature particulière des données accélérométriques acquises en temps réel.
I l est en outre possible de distinguer différents types de chute caractéristiques, te l les q ue les ch utes avec cha nge ment de postu re, les ch utes avec agitation ou tremblement et les chutes avec rétablissement, en fonction des va riations des a ngles d'orientation des accélé rations i nsta nta nées et de l'a na lyse spectra le des a ngles d'orientation. Ainsi, selon ce deuxième mode de réa lisation de l'invention, on obtient une détermination efficace et précise des chutes, le procédé de l'invention limitant les erreurs de détection.
L'invention concerne par ailleurs un dispositif actimétrique destiné à être porté par un sujet humain et comprenant des moyens d'acquisition des mesures d'accélération i nsta nta née su iva nt trois axes et des moye ns de tra ite m e nt desd ites m esu res d'accélération acquises, les moyens de traitement étant destiné à mettre en œuvre le procédé de détection de chute dudit sujet humain selon le deuxième mode de réalisation.
5. Liste des figures
D'autres caractéristiques et avantages de l'invention apparaîtront à la lecture de la description suivante de deux modes de réalisation de l'invention, donnés à titres de simples exemples illustratifs et non limitatifs, et des dessins annexés ci-dessous, parmi lesquels :
la figure 1 est une représentation schématique d'un exemple de dispositif actimétrique pour la mise en œuvre du procédé de détection de chute conforme à l'invention ;
la figu re 2 est u n synoptiq ue géné ra l i l l ustra nt la méthodologie de détection de chute (par le biais d'un premier algorithme Al) et d'identification de l'activité (pa r le biais d'un deuxième algorithme A2) d'un porteur du dispositif actimétrique de l'invention ;
la figure 3 illustre de façon schématique la possibilité de confirmer, par le biais du deuxième algorithme A2, le type de chute détectée par le biais du premier algorithme Al ;
la figu re 4 il lustre de façon schématique la construction des données nécessaires à l'analyse longitudinale (par le biais d'un troisième algorithme A3) des activités du porteur du dispositif actimétrique de l'invention ;
la figure 5A illustre un exemple illustratif de signal d'accélération acquis par le dispositif actimétrique en fonction du temps, la figure 5B représentant la valeur moyenne MoyAn issue du signal de la figure 5A ; la figure 6A illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur conduisant une voiture, la figure 6B illustrant le spectre sur une fenêtre temporelle Tn représentatif d'un porteur se trouvant dans un bus ;
la figure 6D illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur pratiquant la marche à pied, la figure 6F illustrant les enveloppes des spectres sur N fenêtres temporelles Tn représentatifs d'un porteur pratiquant la marche à pied ;
la figure 6C illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur ayant une activité manuelle non périodique, la figure 6E illustrant les spectres sur N fenêtres temporelles Tn représentatifs d'un porteur ayant une activité manuelle non périodique;
la figure 8 illustre les variations au cours du temps des valeurs (en g) de la grandeur IIAIIt lors d'une phase de chute d'un porteur ;
les figures 9A à 9C représentent la valeur calculée des angles lors d'une phase de chute avec rétablissement ainsi que dans les instants suivants ;
les figures 10A à 10C représentent le spectre des angles lors d'une phase de chute avec rétablissement ainsi que dans les instants suivants ;
les figures 11A à 11C représentent la valeur calculée des angles lors d'une phase de chute agitée ainsi que dans les instants suivants ;
- les figures 12A à 12C représentent le spectre des angles après la chute ; les figures 13A à 13C représentent la valeur calculée des angles lors d'une phase de chute avec perte de conscience ainsi que dans les instants suivants ; les figures 14A à 14C représentent le spectre des angles après une chute dans le cas d'un malaise ;
- la figure 15 illustre de façon détaillée la méthodologie d'identification de l'activité par le biais du deuxième algorithme A2.
6. Description détaillé de l'invention
6.1 Exemple de dispositif actimétrique conforme à l'invention
La figure 1 est une représentation schématique d'un exemple de dispositif actimétrique pour la mise en œuvre du procédé d'analyse des données accélérométriques et de détection de chute conforme à l'invention. Ce dispositif actimétrique, ou actimètre, 1 est porté au niveau du poignet d'un utilisateur, ou porteur, par le biais de moyens de fixation (non illustrés), tel un bracelet, par exemple. Le porteur peut être une personne âgée et/ou à mobilité réduite, un travailleur isolé, un enfant, ...
Le dispositif actimétrique 1 comprend un boîtier (non illustré) renfermant :
des moyens d'alimentation (batterie) 11 ;
un accéléromètre 12 multidirectionnel apte à mesurer les accélérations selon les trois axes X, Y, Z du repère cartésien (0, X, Y, Z) et un amplificateur 13 des signaux mesurés ;
- des moyens de communication sans fil (par ondes radio) comprenant a) des moyens de transmission 141 de données (notamment d'un ou de plusieurs indicateurs d'activités issus des mesures fournies par l'accéléromètre 12) et d'un signal d'alerte à un récepteur externe distant, et b) des moyens de réception 142 de données ;
un microprocesseur 15 comprenant des moyens de traitement/calcul des mesures fournies par l'accéléromètre 12, des moyens de mémorisation et des moyens de gestion des alarmes.
Ce dispositif actimétrique 1 est destiné à la surveillance à distance d'un sujet vivant, par exemple un senior, en particulier pour la détection d'un malaise et/ou d'une chute.
6.2 Principe général de l'invention
L'invention propose donc une technique de détection de chute par l'exploitation/analyse de données accélérométriques qui sont acquises par le biais dispositif actimétrique 1 sous la forme d'un bracelet porté par l'utilisateur, ou porteur, au niveau du poignet.
La technique de l'invention vise à détecter, par le biais d'un premier algorithme Al d'analyse instantanée (pseudo temps réel), différents types de chute avec chute libre (chute avec immobilisation, chute avec agitation ou tremblement, chute avec rétablissement).
Le premier algorithme recherche la présence d'une pré-alarme chute (chute libre suivie d'un choc de même sens que le vecteur gravitation et d'une faible oscillation). La détection d'une chute et de génération d'une alarme est fonction des angles d'orientation des accélérations i nsta nta nées suiva nt les trois axes et de l'a na lyse spectrale des angles d'orientation ca lculés.
En d'autres termes, le premier algorithme Al est apte à détecter une chute à cinétique élevée grâce à la signature particulière des données accélérométriques acquises en temps réel.
Dans un premier mode de réalisation, le premier algorithme Al est mis en œuvre seul.
Dans un deuxième mode de réalisation, un deuxième algorithme A2 d'analyse sur une fenêtre temporelle Tn est mis en œuvre parallèlement au premier algorithme Al.
Chacun de ces algorithmes Al et A2 est illustré sur la figure 2.
Le deuxième algorithme A2 permet la classification du type d'activité exercée (som mei l, im mobi lité, différents types d'activités statiques passives ou actives, et activités dynamiques) par le porteur parmi un nombre d'activités préétablies.
En d'autres termes, pour valider ou non le pré-diagnostic de chute à cinétique élevée du premier algorithme Al, une confirmation peut être attendue de la part du deuxième algorithme A2 avant l'envoi de l'alarme. La confirmation (algorithme A2) est attendue selon le degré de certitude du diagnostic (algorithme Al). Ainsi, les différents types de chute avec chute libre (chute avec im mobilisation, chute avec agitation ou tremblement, chute avec rétablissement) peuvent être validés grâce au type d'activité détecté par le deuxième algorithme A2.
Ceci est illustré sur la figure 3 montrant pa r le biais de flèches en pointillés la confirmation du type de chute (déterminé par le biais du premier algorithme Al) grâce au type d'activité (déterminé par le biais du deuxième algorithme A2).
On note que le deuxième algorithme A2 permet également de détecter un type particulier de chute, appelé « chute molle » (cas S22), qui ne présente pas de cinétique élevée.
I l permet, en outre, de déclencher une a lerte (cas S112) en cas d'im mobilité absolue due à un malaise ou à une chute (classe statique S). La distinction entre une faible activité moyenne observée pendant le sommeil (cas Slll) ou due à une immobilité absolue (malaise) se fait sur plusieurs fenêtres temporelles par le biais d'un troisième algorithme A3.
Le deuxième algorithme A2 permet, par ailleurs, de détecter des activités représentatives d'un comportement très actif dû à une activité sportive intense ou à un état agité (cas Dl). La distinction entre ces deux états peut se faire selon le profil de l'utilisateur/porteur (selon qu'il s'agit d'une personne âgée ou d'une personne active, par exemple).
Comme illustré sur la figure 4, le troisième algorithme A3 d'analyse macroscopique longitudinale des activités permet le comptage d'immobilités successives et l'établissement de statistiques, sur une durée prédéterminée, relatives aux activités exercées par le porteur (déterminées par le deuxième algorithme A2).
6.3 Algorithme Al de détection d'une chute
L'algorithme Al de détection d'une chute (due à un malaise par exemple) d'une personne équipée du dispositif actimétrique 1 permet une détection fiable d'une chute, et supprime, ou à tout le moins minimise, les fausses alarmes.
L'algorithme Al permet de quantifier la probabilité que la détection d'une "préalarme chute" (cas Cl sur la figure 2), détectée par la présence d'une chute libre suivie d'un choc de même sens que le vecteur gravitation et d'une faible oscillation, soit une « alarme chute vraie ».
L'algorithme Al, décrit ci-après, peut répondre seul en temps réel à la problématique de la chute (selon un premier mode de réalisation) ou avec un léger retard en s'appuyant sur la confirmation/infirmation du traitement de la fenêtre temporelle Tn par le biais de l'algorithme A2 (selon un deuxième mode de réalisation), ce qui diminue le risque de fausse détection.
Ainsi, dans le cas de demande de confirmation (c'est-à-dire dans le deuxième mode de réalisation), si on prend comme exemple une fenêtre temporelle Tn où on effectue la moyenne de 5 minutes avec 1 minute de recouvrement entre fenêtres (pour éviter toute perte de données et proposer une analyse avec un effet de glissement), le délai maximum de traitement peut être de 4 minutes après le temps d'apparition de la chute. Il est toutefois possible de réduire ce délai en entrelaçant cet algorithme de traitement par un second algorithme de traitement décalé de Tk/2. Da ns chacun des premier et deuxième modes de réa lisation, l'algorithme Al met en œuvre un traitement des mesures d'accélération acquises à intervalles réguliers t, sur la fenêtre tem porelle Tn.
De façon connue, la chute est identifiable en analysant le signe et la valeur de la gra ndeur I IAI It définie selon la formule \\A\\t = - } + y + ï - 1 et e n ide ntifia nt la présence des deux phases consécutives suivantes (étape Cl de la figure 2) :
une phase de chute (avec une durée de chute quasi libre) ce qui induit une valeur négative de IIAIIt proche de -lg (qui est la valeur théorique de IIAIIt pour une vraie chute libre) ;
- u ne p hase de choc q u i suit la p hase de ch ute et s' ide ntifie pa r la combinaison d'une accélération avec une pente importante et d'une phase d'oscillation sur le signal reconstruit IIAIIt.
La figure 8 illustre les variations au cours du temps des valeurs (g) de la grandeur IIAIIt lors d'une phase de chute du porteur du dispositif actimétrique 1.
U n inconvénient de cette a pproche connue est que la présence de ces deux phases n'indique pas exclusivement une ch ute. En effet, plusieurs actions de la vie courante peuvent donner naissance à des phénomènes accélérométriques semblables (le fait de lâcher la main par exemple, ou bien de taper la main sur un obstacle).
Cette approche connue ne permet donc pas d'identifier avec certitude les chutes et d'éviter les fausses détections.
L'invention propose une analyse spécifiquement dédiée à la chute qui est mise en place en temps réel (selon le premier mode de réalisation) ou bien dans le traitement de l'intervalle Tn (selon le deuxième mode de réa lisation).
Selon l'approche de l'invention, la détection d'une phase de chute et d'une phase de choc ne constitue q u' u ne « pré-alarme chute » Cl qui est ensuite confirmée ou infirmée.
Supposons ti<n l'instant de détection d'une forte accélération (précédée d'une décélération) dans l'intervalle Tn, suivie d'une oscillation de l'accélération de IIAIIt dans les quelques instants suivants.
L'approche de l'invention est la suivante. Après ce qui est apparenté à une chute
(étape Cl), on détermine la présence d'im mobilité (Cil) en ca lcu la nt la va leur moyenne de l'accélération sur un interva lle de tem ps Δΐ suiva nt la pré-a la rme chute, de l'ordre de 30 secondes, et en la com pa ra nt à un seuil prédéterminé.
Si une i m mobi lité est détectée (va le ur moyen ne i nférieu re à ce seui l), on détermine qu'il s'agit d'une chute avec im mobilisation (Clll).
Da ns le cas co ntra i re, l'a lgorith me Al met en œuvre (C12) u n calcul des orientations des accélérations selon chacun des plans de projection du trièdre (x,y,z). On calcule donc à chaque instant, à partir des données (ί,, ^, ϊ, ) de l'accéléromètre, les angles thêta étant définis ainsi :
Figure imgf000016_0001
On se focalise donc sur deux exploitations de ces données ( C 1 2 ) pendant la durée T analyse_angles :
la variation angulaire sur chaque angle du g terrestre, et
l'analyse spectrale des angles d'orientation du g terrestre durant la période Tanalyse_angles suivant l'état de pré-alarme-chute (Cl). Plus cette période sera grande et plus la détection sera robuste (a u détriment d e l a réactivité d'alerte). Elle est, dans cet exemple, égale à 30 secondes.
Plusieurs types de chutes peuvent être détectées afin d'établir un pré-diagnostic de chute:
a) Chute suivie d'une agitation (C122):
S'il est établi qu'il n'y a pas de variation de thêta mais qu'il y a agitation, il s'agit bien d'une chute avec agitation (C122) et la pré-alarme est confirmée. Les figures 11A à 11C illustrent la valeur calculée des angles lors d'une phase de chute agitée (cas d'une suractivité désordonnée, c'est-à-dire que la personne est tombée puis est très agitée après sa chute) ainsi que dans les instants suivants. Sur les figures 12A à 12C est représenté le spectre des angles après la chute qui confirme que le porteur est très agité par la présence de nombreuses composantes fréquentielles dans une gamme de fréquences donnée.
b) chute suivie d'un changement de posture et immobilité (C121) :
S'il est établi que la variation de thêta est ordonnée, il est déterminé (C121) qu'il s'agit d'une chute suivie d'un changement de posture et immobilité (avec perte de conscience, lors d'un malaise par exemple) et la pré-alarme est confirmée. Sur les figures 13A à 13C est représentée la valeur calculée des angles lors d'une phase de chute avec changement de posture et perte de conscience (cas d'un malaise, la personne étant inconsciente) ainsi que dans les instants suivants. Dans ce cas, on observe une variation brutale de la direction angulaire de l'accélération suivie d'une stabilisation de la valeur de l'orientation angulaire. Sur les figures 14A à 14C est représenté le spectre des angles après la chute dans le cas d'un malaise. On note les très faibles valeurs en ordonnée pour les axes X, Y et Z par rapport aux figures 12A à 12C.
D'un point de vue algorithmique, il est d'abord déterminé s'il existe une différence entre l'angle d'orientation du choc (représenté par un pic d'accélération ou une pente représentative) et l'angle d'immobilisation (correspondant à l'orientation de la pesanteur) dont la valeur est ΔΘ, en faisant la somme (en valeurs algébriques) des variations angulaires entre deux mesures successives d'accélération selon les trois axes entre le choc et l'immobilisation. Si cette somme est égale à ΔΘ, il est alors déterminé qu'il s'agit d'une vraie chute avec changement de posture et immobilisation,
c) chute avec rétablissement (C123) :
S'il est établi que la variation de thêta correspond à l'action de se lever, il est déterminé qu'il s'agit d'une chute avec rétablissement (C123) et la pré-alarme peut être confirmée (si l'on considère que la signalisation de ce type de chute est pertinente) ou infirmée (si l'on considère qu'une chute avec rétablissement n'est pas problématique). Les figures 9A à 9C représentent la valeur calculée des angles lors d'une chute avec rétablissement (C123) ainsi que dans les instants suivants. On note que les variations des angles thêta sont relativement lentes et représentatives d'une activité maîtrisée. Les figures 10A à 10C représentent le spectre des angles lors d'une phase de chute avec rétablissement (le porteur chute et se relève, par exemple) ainsi que dans les instants suivants. On note la présence d'une signature fréquentielle spécifique représentative d'une activité (présence de pics localisés). D' u n poi nt d e vue p rati q u e, on vérifie si la signature des composantes fréquentielles des trois angles et la succession des angles après le choc correspond à une signature représentative d'un rétablissement (classement des composantes fréquentielles en fonction de leur amplitude relative). Par exemple, on constate la présence de composantes fréquentielles de plus grande amplitude dans un intervalle de fréquence prédéterminé. Dans ce cas, une alerte spéciale peut être envoyée à titre informatif au personnel soignant, par exemple.
Selon le deuxième mode de réalisation, une confirmation du cas Clll, C121, C122 ou C123 déterminé p a r l a m i s e e n œuvre d u p r e m i e r a l g o r i t h m e A l peut être effectuée lors de l'exploration et l'identification des indicateurs d'activité de la période Tn par le biais du deuxième algorithme A2.
En d'autres termes, pour valider ou non le pré-diagnostic de chute à cinétique élevée, une confirmation peut être attendue de la part de l'algorithme A2 avant l'envoi de l'alarme.
L'approche est illustrée sur la figure 3 où une fois que la classe de l'activité a été identifiée, comme statique ou dynamique, par l'algorithme A2, il est déterminé si une pré-alarme chute a été détectée et la classe de l'indicateur permet de confirmer ou d'infirmer les chutes avec immobilisation (Clll, C122) et les chutes suivies de mouvement (C122, C123).
Lorsqu'aucun pré-diagnostic de chute à cinétique élevée (Clll, C121, C122 ou
C123) n'a été établi, aucune alerte chute n'est émise.
On notera que l'étape de détection d'une immobilité (Cil) permet d'éviter le calcul des directions angulaires de IIAIIt et de leur transformée de Fourier (C12) si cette étape se révèle inutile.
6.4 Algorithme A2 d'identification de l'activité humaine
Un synoptique général de la méthodologie d'identification de l'activité humaine est représenté sur la figure 2. Cette méthodologie est détaillée sur la figure 15.
Cette analyse fine des périodes de temps Tn vise donc à classifier le comportement de l'utilisateur à partir d'indicateurs de son activité issus des mesures d'accélération acquises par l'accéléromètre 12. Les indicateurs de l'activité se composent, da ns ce mode de réalisation, d'une classe (statique ou dyna mique) et d'u ne sous-classe associées à un com portement identifié (normal, actif, très actif, activité calme, passif,...). Ces classes et sous-classes sont paramétrables selon l'application. Chacun des indicateurs est représentée par une case grisée à bords arrondis sur les figures 2, 3, 4 et 15 (à titre d'exemple, l'indicateur d'activité calme (repas) noté D211 est constitué de la classe dynamique D et de la sous-classe 211).
Le signal de l'accéléromètre 12 est échantillonné à une fréquence variant entre 5Hz et 50Hz, puis ces données, associées sous forme d'une norme d'accélération efficace, c'est-à-d i re u ne no rme po u r la q uelle la gravité terrestre a été supprimée, sont regroupées durant une fenêtre temporelle Tn .
La fenêtre temporelle Tn, qui est comprise entre 2 et 10 minutes par exemple, est paramétrable (selon l'application) de même que les différents seuils mentionnés ci-après.
Ainsi, le seuil statique/dynamique peut être reconfigurable à dista nce via les moyens de réception 142 du dispositif actimétrique 1.
On note que la fenêtre temporelle Tn est traitée par l'algorithme A2 à la fin de la période Tn.
Dans un premier temps, l'algorithme A2 traite les mesures d'accélération (valeur « g ») en fonction du temps et détermine la norme de l'accélération (ou accélération moyenne) notée IIAIIt. Afin de ne traiter que l'image d'une activité du porteur de l'accéléromètre, la compensation de l'accélération due à la gravité terrestre (subie même en absence de mouvement) s'effectue dans le calcul de cette norme de l'accélération effective IIAIIt. En d'autres termes, l'a lgorithme A2 utilise la norme de l'accélération débarrassée de l'accélération vers le sol due à la gravité terrestre.
Le signe de l'accélération effective IIAIIt est positif en phase d'accélération, et négative en phase de décélération. Sa valeur est proche de -lg dans le cas d'une chute libre.
A partir de ces données, l'algorithme A2 détermine le premier niveau (ou niveau 1, ou classe) de l'indicateur de l'activité du porteur parmi deux états, à savoir l'état statique (S) et l'état dynamique (D).
A l'éta pe El, la comparaison entre le nivea u moyen ou va leur moyenne notée
MoyAn (avec MoyAn = Moyenne (valeurs absolues (IIAIIt))) et un seuil prédéterminé statiq ue/dyna m ique pe rmet la classification entre les deux états statique (S) ou dynamique (D) sur l'intervalle Tn.
Ainsi, si la valeur moyenne MoyAn est faible sur la période Tn, l'activité du porteur est considérée comme statique (S). Au contraire, si la va leur moyenne MoyAn est importante sur la période Tn, l'activité est considérée comme dynamique (D).
Un exemple illustratif de signal d'accélération en fonction du temps est illustré sur la figure 5A. La figure 5B représente la valeur moyenne MoyAn issue du signal de la figure 5A. On note que sur trois plages tem porelles, les activités sont considérées com me statique (S).
Pour chacun des états statique (S) et dynamique (D) est ensuite déterminé le deuxième niveau (niveau 2 ou sous-classe) de l'indicateur d'activité associé à la période Tn.
Dans le cas statique (S), qui pour mémoire, est associé à une valeur moyenne MoyAn faible sur la période Tn, on étudie la dispersion absolue (c'est-à-dire la différence entre les valeurs maximales et minimales notée "Max-Min") de l'accélération mesurée, sachant que :
Max An=Max (IIAIIt) et Min An=Min (IIAIIt)
Dans un premier cas, si la dispersion absolue (Max-Min) est inférieure au seuil prédétermi né a ppelé "se ui l i m mobilité relative/a bsol ue" (S0) et q u'on détecte la présence de signes de vie (i.e. de mouvements) (SI)- une phase de sommeil « l é g e r » ( S 12 ) est identifiée sur cet intervalle, ce qui correspond à une activité assez faible avec quelques accélérations de faible valeur (l'activité est non nulle toutefois).
L'étape de détection de signes de vie (i.e. de mouvements) (SI) peut se faire par comparaison de la valeur moyenne MoyAn avec un seuil prédéterminé appelé « seuil sommeil » ou pa r détection d'une com posante fréquentielle caractéristique comme représenté par ailleurs dans le graphe de la figure 15 représentant les différentes étapes mises en œuvre dans A2.
Dans un deuxième cas, si la dispersion absolue (Max-Min) est inférieure au seuil prédéterminé appelé "seuil immobilité absolue/relative »" (S0) et qu'on ne détecte pas la présence de signes de vie (i.e. de mouvements) (Sl)-cela signifie que, sur l'intervalle Tn, l'activité est faible ou quasi nulle (SI) et correspond à un état statique immobile (SU). Cette absence ou quasi-absence d'activité (qui est différente d'une défaillance du capteur puisque dans ce cas, on aurait une activité permanente égale à -lg) peut traduire un état d'immobilité qui se retrouve, en particulier, dans une phase de sommeil « lourd » (Slll).
II peut toutefois s'agir d'une perte de connaissance de l'utilisateur. Cette absence ou quasi-absence d'activité correspond à une situation anormale potentielle. La différence entre un état de som mei l avec activité nu lle ou quasi-nulle (Slll) et une perte de connaissance (correspondant à une situation anormale) nécessitant le déclenchement d'une alerte (S112) est discriminée par l'analyse des périodes suiva ntes Tn+k par le biais du troisième algorithme A3 (dont la méthodologie est illustrée schématiquement sur la figure 4).
Ainsi, si la scrutation des périodes suivantes Tn+k confirme des périodes de non activité successives (e n d ' a ut res te rm es, s u r la succession des périodes Tn+k, l'algorithme A2 diagnostique une phase « sans aucune activité »), alors cela traduit un potentiel risque de perte de connaissance (ou d'arrachement du capteur) qui provoque le déclenchement d'une alarme (S112). Le nombre maximum de périodes de non activité successives peut être configuré.
Ainsi, l'a lgorithme A2 peut identifier un état d'immobilité (SU) qui peut être exploité de deux façons. Soit l'algorithme A2 permet de confirmer une chute qui a été détectée par l'algorithme Al où l'immobilité est représentative de la conséquence de la chute (concept de minimiser la fausse a la rme), soit il permet de détecter un malaise (perte de conscience pendant le sommeil c'est-à-dire sans accélération/chute détectée) et l'algorithme A3 permet de confirmer cet état de pré-diagnostic malaise par un suivi longitudinal des autres périodes Tn+i< qui suivent temporellement la période Tn où a été détecté cet état statique immobile (SU).
On note que les indicateurs déterminés lors de la période Tn et des périodes suiva ntes Tn+k sont stockés dans la mémoire du dispositif actimétrique 1 conformément à l'algorithme A3 (dont le principe est illustré schématiquement sur la figure 4).
Dans un troisième cas, si la dispersion absolue (Max-Min) est supérieure au seuil prédéterminé appelé "seuil immobilité absolue/relative", cela signifie que même si la valeur moyenne est faible, il existe des activités instantanées avec « une énergie de mouvement » à analyser, traduisant :
- des mouvements importants en valeur instantanée, mais reproduits peu souvent dans l'intervalle, qui sont assimilables soit à une chute suivie d'une immobilité, soit à un choc (un lâcher de main avec choc sur la table, un mouveme nt i nte rrom p u de type TOC, ...). Une attention particulière est apportée à cette classe identifiée pour minimiser le risque de fausse alarme. L'algorithme A2 met en œuvre un test dénommé « test chute molle » (cas S22). Ceci permet de détecter une chute non caractérisable par une cinétique élevée, c'est-à-dire sans chute libre (cas d'une chute avec appui sur un mur par exemple). Le déclenchement de la recherche de cette chute est en sens temporel inverse de celui de la recherche de chute de l'algorithme Al. Dans Al, l'identification de la ch ute est décle nchée pa r la détectio n d' u ne ch ute li bre suivie d' u n choc (préalarme chute). La détection d'une chute « molle » est tout d'abord validée par la détection d'une immobilité qui peut être causée par une chute molle ou à faible cinétique, non détectée par Al puis par l'analyse de ce qui s'est passé avant l'immobilisation (il est ainsi déterminé si le dernier mouvement détecté était dans le sens de la pesanteur (choc avec le sol)). Pour renforcer cette décision, une i nformation su ppléme nta i re pe ut être bénéfiq ue, et peut être issue d' u n altimètre (compris dans le dispositif 1) qui détecte une diminution de hauteur de plus de 70 cm en même temps que ce choc confirme la chute ou d'un gyroscope (compris dans le dispositif 1) détectant la présence ou non d'une accélération angulaire.
- des mouvements présents un peu plus souvent et/ou avec des accélérations d'assez faibles valeurs. I l est ici proposé de classer le type de mouvement en classant les données de la transformée de Fourier (S21), à savoir la fréquence et l 'amplitude ή,η et Ej,n respectivement, associées à l'intervalle Tn de façon décroissante selon Ej,n- Ceci vise à déterminer si la répartition de l'énergie de l'activité est diffusée/désordonnée (sans signature spectrale) ou présente une signature spectrale, c'est-à-dire une ou plusieurs fréquences représentatives de mouvements particuliers. Deux cas peuvent avoir lieu : - une faible activité classée comme passive (S212). Il peut s'agir, par exemple, de la présence du porteur dans un bus où les accélérations sont subies (non volontaires) et non "réalisées" par le porteur de l'accéléromètre. Dans ce cas, le spectre présente peu de composantes fréquentielles significatives et est relativement « plat » avec absence de maximums. La figure 6B illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur se trouvant dans un bus ; ou
- une faible activité classée comme active ( S211). C'est le cas, par exemple, lorsque le porteur conduit une voiture ou lit un livre (action volontaire). Dans ce cas, le spectre comprend plusieurs composantes fréquentielles significatives ce qui traduit la richesse en actions. La figure 6A illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur conduisant une voiture.
Dans le cas dynamique (D) qui, pour mémoire, est associé à une valeur moyenne MoyAn importante sur la période Tn, on calcule (étape DO) le spectre des normes IIAIIt sur la période Tn de façon à déterminer le deuxième niveau de l'indicateur d'activités/comportements.
Lorsqu'on obtient une signature spectrale très diverse (c'est-à-dire riche en composantes fréquentielles) avec des densités spectrales très importantes, cela correspond à un comportement très actif (cas noté Dl) qui peut traduire :
soit un comportement sportif pour une personne effectuant de l'exercice ; soit un état d'agitation excessive avec des mouvements désordonnés dans le cas d'une personne fragile ou considérée comme peu active. Ce second cas, s'il est confirmé dans le temps sur les périodes Tn+j (par le biais de l'algorithme A3 d'analyse macroscopique longitudinale), déclenche une remontée d'alarme de type « forte agitation depuis x minutes ». Lorsque la densité spectrale est moins importante, et que les valeurs de l'accélération sont plus faibles (cas noté D2), deux cas peuvent se présenter :
avec une signature spectrale très marquée où une, deux ou trois fréquences sont importantes (du point de vue de la densité spectrale) ce qui traduit une activité répétitive quasi périodique (cas noté D21), telle que la marche (cas D212), la couture, les jeux de cartes ou tout autre activité calme (cas D211). La figure 6D illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur pratiquant la marche à pied. La figure 6F illustre les spectres sur N fenêtres temporelles Tn représentatifs d'un porteur pratiquant la marche à pied ;
une signature spectrale riche en composantes fréquentielles à densité spectrale importantes, ce qui traduit une activité manuelle non périodique (cas noté D22), telle que la vaisselle ou le ménage, où les mouvements sont considérés comme non répétitifs ce que traduit le caractère «désordonné» de l'analyse spectrale. La figure 6C illustre le spectre sur une fenêtre temporelle Tn représentatif d'un porteur ayant une activité manuelle non périodique. La figure 6E i ll ustre les spectres sur N fe nêtres temporelles Tn représentatifs d'un porteur ayant une activité manuelle non périodique.
6.5 Algorithme A3 d'analyse macroscopique pour suivi longitudinal
Dans le cadre de cette analyse macroscopique qui permet un suivi longitudinal de l'utilisateur surveillé, les indicateurs d'activité calculés dans une fenêtre temporelle Tn sont comparés du point de vue variations (ou confirmations pour un état d'alerte) avec les fenêtres temporelles précédentes Tn-k.
Cette analyse permet le suivi de variations/déviations des indicateurs d'activité successifs ce qui permet d'obtenir une analyse sur des périodes longues.
L'algorithme A3 permet, comme illustré sur la figure 4, de stocker l'indicateur d'activité déterminé à l'issue de chaque période de temps Tn et de comptabiliser, par exe m ple, les i m mobi lités successives, le pou rce ntage jou rna lie r d'i m mobi lité, le pourcentage journalier d'activités et le pourcentage journalier de repos du porteur.
L'analyse longitudinale permet une analyse comportementale visant à identifier une dégradation ou a mélioration de l'état de sa nté, un changement des ha bitudes quotidiennes, et/ou une diminution de l'activité physique.
6.6 Autres aspects/variantes
En résumé, l'approche de détection d'une ch ute conforme à l'invention s'inscrit à deux niveaux temporels, c'est-à-dire d e u x n i ve a u x d e ré a ct i v i t é pour identifier/confirmer l'état de chute. Le prem ier a lgorith me Al com me nce pa r l'identification des conditions de détection rapide de chute (pré-alarme chute), qui est ensuite confirmée ou infirmée par la classification des phases postérieures à la chute à cinétique élevée:
• critère d'immobilité,
· sinon critère d'analyse de la posture par l'exploitation du caractère ordonné ou désordonné de la position angulaire de l'orientation de l'accéléromètre par ra pport à la gravité terrestre. L'a na lyse de la variation de cet angle et de représentation spectrale de cet angle conduit aux diagnostics C121, C122, C123 qui peuvent être confirmés/infirmés par les algorithmes A2 et A3.
Ainsi l'algorithme Al est apte à identifier quasi instantanément les conditions du risque de chute ("pré-alarme chute") puis à analyser les phases d'activité qui s'en suivent immobilité (absence d'activité) ou ca ractère ordonné (significatif)/désordon né de la position angulaire du capteur (accéléromètre).
On obtient une détermination efficace et précise des chutes, le procédé selon le premier mode de réalisation de l'invention limitant les erreurs de détection.
Da ns le de uxiè me mode de réa lisation, les a lgorith mes A2 et A3 de su ivi longitudinal permettent de réduire encore le risque de fausse détection. Comme souligné auparavant, les figures 3 et 4 illustrent la méthodologie de confirmation ou d'infirmation de la chute à cinétique élevée détectée auparavant.
Ainsi, l'algorithme A2 vise à classifier le comportement de l'utilisateur à partir d'indicateurs de son activité issus des mesures d'accélération qui sont acquises par l'accéléromètre. L'identification du type d'activité permet de confirmer ou non une alarme en cas de situation anormale.
Les mesures d'accélération et l'observation de leurs variations par le biais des algorithmes A2 et A3 permettent de déduire le niveau/type d'activité de l'utilisateur et la cohérence de cette activité. Parmi les activités identifiées, on peut ainsi identifier aussi le risque de malaise conséquent à aucun signal perçu par l'accéléromètre en discriminant les phases de sommeil grâce au suivi longitudinal apporté par l'algorithme A3.
Da n s l e ca s où la signature est représentative d'une situation anormale potentielle, telle que l'absence de mouvement, le déclenchement d'un signal d'alerte est différé afin d'éviter les fausses alertes, et un traitement supplémentaire des données accélérométriques et/ou l'analyse de l'indicateur de la ou des périodes suivantes est/sont mis en œuvre.
Les algorithmes Al, A2 et A3 sont mis en œuvre dans les moyens de traitement du microprocesseur 15. Les mesures d'accélération acquises par l'accéléromètre 12 sont reçues et traitées par les moyens de traitement du dispositif actimétrique 1. On rappelle que le porteur, et donc l'accéléromètre 12, sont soumis à une accélération constante vers le sol due à la gravité. A cette accélération constante s'ajoute la com posa nte due à l'activité du porteur.
Dans le cas où une chute ou un événement jugé critique pour le porteur, comme un ma la ise ca ractérisé pa r une perte de con naissa nce, est détecté, les moyens de transmission 141 du dispositif actimétrique 1 transmettent un signal d'alerte à une unité distante, dans cet exemple. Dans un autre mode de réalisation, une alerte sonore peut être déclenchée.
L'a pproche de l'invention pe rmet de répondre à la contrai nte d'a utonom ie énergétique (fonctionnement ambulatoire du dispositif actimétrique 1 sur batterie ou pile) en combinant deux approches:
le calcul (dans les moyens de traitement du dispositif actimétrique 1 puis le stockage (dans les moyens de stockage du dispositif actimétrique 1 des indicateurs d'activité sur une plage temporelle Tn qui permet d'économiser a) de l'espace de stockage de données (l'acquisition du mouvement étant effectuée par exemple à 25Hz, avec deux octets pour chacun des trois axes de mesure, une période de 5 minutes d'observation équivalant à une quantité d'informations égale à 45 kilo-octets, b) de l'énergie électrique puisque les opérations de filtrage et de co m m u nication q u i so nt les pl us consom matrices e n é ne rgie so nt repoussées le plus tard possible dans le processus de décision ;
la classification des i ndicate u rs d'activité e n classes et sous-classes associées à des comportements identifiés selon le deuxième algorithme A2 décrit ci-dessus et le suivi de variations/déviations en cumula nt l'observation de ces indicateurs ce qui permet d'obtenir une analyse sur des périodes longues (selon le troisième algorithme A3). Dans un mode de réalisation particulier, l'indicateur d'activité qui est déterminé à l'issue de chaq ue période Tn est stocké dans les moyens de stockage du dispositif actimétrique 1, et éventuellement transmis vers un site distant (de façon périodique ou non, et/ou récupéré sur demande), puis les données de mesures accélérométriques sont effacées de la mémoire du dispositif actimétrique 1.
Dans une alternative, l'indicateur d'activité déterminé à l'issue de la période Tn est comparé avec l'indicateur d'activité déterminé à l'issue de la période Tn-i, et est uniquement transmis vers un site distant si les deux indicateurs d'activité successifs sont différents.
La mise en œuvre d'autres capteurs portés ou non par la personne (capteurs de présence, télémètres, ca méras, ca pteurs de sol, ca pteu rs sensoriels, gyroscopes, capteurs de hauteur, ...) peut être envisagée. De tels capteurs peuvent permettre de compléter et/ou affiner la classification de l'activité du porteur.
Des problématiques typiques sont la surveillance des personnes âgées à domicile ou en institutions.

Claims

REVENDICATIONS 1. Procédé de détection de chute d'un sujet humain portant au moins un dispositif actimétrique (1), ledit dispositif (1) comprenant des moyens d'acquisition (12) des mesures d'accélération instantanée suivant trois axes et des moyens de traitement (15) desdites mesures d'accélération acquises, ledit procédé prévoyant la mise en œuvre par les moyens de traitement (15) des étapes suivantes :
- premier traitement (Al) des mesures d'accélération instantanées,
détection d'une chute (Clll, C121, C122, C123) dudit sujet humain en fonction du résultat dudit premier traitement (Al),
génération, au moins dans certains cas, d'un signal d'alarme, local et/ou vers un site distant, dans le cas où une chute est détectée,
ledit procédé étant caractérisé en ce qu'il prévoit en outre la mise en œuvre par les moyens de traitement des étapes suivantes :
second traitement (A2) des mesures d'accélération avec transformation des mesures d'accélération à l'issue d'une première période de temps (Tn) en un indicateur de l'activité dudit sujet humain parmi un nombre d'activités préétablies, lesdits premiers et seconds traitements (Al, A2) s'effectuant en parallèle ou successivement;
confirmation ou infirmation de la chute en fonction dudit indicateur de l'activité déterminé par le second traitement (A2),
génération d'un signal de confirmation d'alarme, local et/ou vers un site distant, dans le cas où la chute est confirmée.
2. Procédé selon la revendication 1, caractérisé en ce que ledit premier traitement (Al) comprend une étape (C12) de calcul des angles d'orientation des accélérations instantanées suivant les trois axes et une étape d'analyse spectrale des angles d'orientation calculés.
3. Procédé selon la revendication 1 ou 2, caractérisé en ce que ledit second traitement (A2) est mis en œuvre en fonction au moins de la valeur moyenne des normes des accélérations instantanées mesurées sur la première période de temps (Tn).
4. Procédé selon la revendication 3, caractérisé en ce que le second traitement (A2) avec transformation des mesures d'accélération en un indicateur de l'activité dudit sujet humain comprend :
une première étape de calcul de la valeur moyenne des normes des accélérations instantanées mesurées sur la première période de temps (Tn), et
- une deuxième étape de comparaison entre ladite valeur moyenne calculée et un premier seuil prédéterminé.
5. Procédé selon la revendication 4, caractérisé en ce que le second traitement (A2) avec transformation des mesures d'accélération en un indicateur de l'activité dudit sujet humain comprend en outre une troisième étape de calcul de la dispersion desdites normes lorsque ladite valeur moyenne calculée est inférieure audit premier seuil prédéterminé ou de calcul du spectre desdites normes lorsque ladite valeur moyenne calculée est supérieure audit premier seuil prédéterminé.
6. Procédé selon la revendication 5, caractérisé en ce qu'il comprend en outre une étape de détection d'une situation anormale potentielle lorsque ladite dispersion est inférieure à un second seuil prédéterminé.
7. Procédé selon la revendication 6, caractérisé en ce que l'étape de détection d'une situation anormale potentielle est suivie d'une étape de confirmation ou d'infirmation de la situation anormale potentielle comprenant une étape d'analyse spectrale des accélérations instantanées mesurées pendant la première période de temps (Tn).
8. Procédé selon la revendication 6 ou 7, caractérisé en ce que l'étape de détection d'une situation anormale potentielle est suivie d'une étape de confirmation ou d'infirmation de la situation anormale potentielle en fonction du ou des indicateur(s) de l'activité déterminé lors de la ou des période(s) de temps suivant(s) la première période de temps
(Tn).
9. Procédé selon la revendication 5, caractérisé en ce qu'il comprend en outre une éta pe (S2) de détection d' une chute à fai ble cinétique lorsque ladite dispersion est supérieure à un second seuil prédéterminé.
10. Procédé selon la revendication 9, caractérisé en ce que ladite éta pe (S2) de détection d'une chute à faible cinétique met en œuvre une étape de détection d'une immobilité et une étape de comparaison du sens du mouvement antérieur à l'immobilité avec le sens de la pesanteur.
11. Procédé selon la revendication 10, caractérisé en ce qu'en outre ladite étape (S2) de détection d'une chute à faible cinétique met en œuvre une étape de détection d'une variation de hauteur dudit sujet ou une étape de détection d'une accélération angulaire.
12. Procédé selon l'u ne des revendications 1 à 1 1, caractérisé en ce que ledit indicateur de l'activité est constitué d'une classe, parmi deux classes (S, D)prédéterminées, et d'une sous-classe, parmi plusieurs sous-classes prédéterminées.
13. Procédé selon la revendication 12, caractérisé en ce que la classe (S, D) dudit indicateur de l'activité est déterminée en fonction du résultat de la deuxième étape de comparaison entre ladite valeur moyenne calculée et ledit premier seuil prédéterminé.
14. Procédé selon la revendication 12 ou 13, caractérisé en ce qu'il comprend une éta pe de détermination de la sous-classe dudit indicateur de l'activité en fonction de l'analyse de la dispersion des normes des accélérations instantanées mesurées sur la première période de temps (Tn) ou de l'analyse du spectre desdites normes.
15. Procédé selon l'une des revendications 1 à 14, caractérisé en ce qu'il comprend en outre une étape de stockage de l'indicateur de l'activité associé à une période de temps.
16. Procédé selon la revendication 15, caractérisé en ce qu'il comprend en outre une étape de transmission à distance d'un ou plusieurs indicateurs de l'activité, de façon périodique ou non.
17. Dispositif actimétrique (1) destiné à être porté par un sujet humain et comprenant des moyens d'acquisition (12) des mesures d'accélération instantanée suivant trois axes et des moyens de traitement (15) desdites mesures d'accélération acquises, les moyens de traitement (15) étant destinés à mettre en œuvre le procédé de détection de chute dudit sujet humain selon l'une des revendications 1 à 16.
18. Procédé de détection de chute d'un sujet humain portant au moins un dispositif actimétrique (1), ledit dispositif (1) comprenant des moyens d'acquisition (12) des mesures d'accélération instantanée suivant trois axes et des moyens de traitement (15) desdites mesures d'accélération acquises, ledit procédé prévoyant la mise en œuvre par les moyens de traitement des étapes suivantes :
premier traitement (Al) des mesures d'accélération instantanée, détection d'une chute dudit sujet humain en fonction du résultat dudit premier traitement (Al),
génération d'un signal d'alarme, local et/ou vers un site distant, dans le cas où une chute est détectée,
ledit procédé étant caractérisé en ce que ledit premier traitement (Al) comprend une étape (C12) de calcul des angles d'orientation des accélérations instantanées suivant les trois axes et une étape d'analyse spectrale des angles d'orientation ca lculés.
19. Dispositif actimétrique (1) destiné à être porté par un sujet humain et comprenant des moyens d'acquisition (12) des mesures d'accélération instantanée suivant trois axes et des moyens de traitement (15) desdites mesures d'accélération acquises, les moyens de traitement (15) étant destinés à mettre en œuvre le procédé de détection de chute dudit sujet humain selon la revendication 18.
PCT/EP2015/075727 2014-11-10 2015-11-04 Procédé de détection de chute d'un sujet humain et dispositif actimétrique correspondant WO2016075013A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1460847 2014-11-10
FR1460847A FR3028343B1 (fr) 2014-11-10 2014-11-10 Procede de detection de chute d'un sujet humain et dispositif actimetrique correspondant

Publications (1)

Publication Number Publication Date
WO2016075013A1 true WO2016075013A1 (fr) 2016-05-19

Family

ID=52345384

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2015/075727 WO2016075013A1 (fr) 2014-11-10 2015-11-04 Procédé de détection de chute d'un sujet humain et dispositif actimétrique correspondant

Country Status (2)

Country Link
FR (1) FR3028343B1 (fr)
WO (1) WO2016075013A1 (fr)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3319059A1 (fr) * 2016-11-03 2018-05-09 Fall - Alarmsystem Procédé de détection d'une chute d'un travailleur et dispositif de détection d'une chute d'un travailleur
CN108514420A (zh) * 2018-01-19 2018-09-11 四川明上科技有限公司 一种人员意识丧失监测识别器的监测方法及其系统
US20220201256A1 (en) * 2020-12-22 2022-06-23 Here Global B.V. Method, apparatus, and system for capturing an image sequence for a visual positioning service request
CN114720977A (zh) * 2022-06-10 2022-07-08 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472614B (zh) * 2019-08-22 2023-06-30 四川自由健信息科技有限公司 一种晕倒行为的识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2808609A1 (fr) * 2000-05-05 2001-11-09 Univ Rennes Dispositif et procede de detection de situations anormales
US6433690B2 (en) * 1998-10-27 2002-08-13 Sarcos, L.C. Elderly fall monitoring method and device
EP1779772A1 (fr) * 2004-06-21 2007-05-02 Fundacion Fatronik Systeme d'analyse de l'activite d'une personne et detection automatique de chutes
US20120259577A1 (en) * 2011-04-11 2012-10-11 Transrex Ag Fall Detection Methods and Devices
US20130120147A1 (en) * 2011-11-14 2013-05-16 Vital Connect, Inc. Fall detection using sensor fusion
EP2687157A2 (fr) * 2012-07-20 2014-01-22 Intel-GE Care Innovations LLC Évaluation du risque de chutes quantitatives à travers des capteurs inertiels et une plate-forme sensible à la pression

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6433690B2 (en) * 1998-10-27 2002-08-13 Sarcos, L.C. Elderly fall monitoring method and device
FR2808609A1 (fr) * 2000-05-05 2001-11-09 Univ Rennes Dispositif et procede de detection de situations anormales
EP1779772A1 (fr) * 2004-06-21 2007-05-02 Fundacion Fatronik Systeme d'analyse de l'activite d'une personne et detection automatique de chutes
US20120259577A1 (en) * 2011-04-11 2012-10-11 Transrex Ag Fall Detection Methods and Devices
US20130120147A1 (en) * 2011-11-14 2013-05-16 Vital Connect, Inc. Fall detection using sensor fusion
EP2687157A2 (fr) * 2012-07-20 2014-01-22 Intel-GE Care Innovations LLC Évaluation du risque de chutes quantitatives à travers des capteurs inertiels et une plate-forme sensible à la pression

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3319059A1 (fr) * 2016-11-03 2018-05-09 Fall - Alarmsystem Procédé de détection d'une chute d'un travailleur et dispositif de détection d'une chute d'un travailleur
US10232198B2 (en) 2016-11-03 2019-03-19 Fall—Alarmsystem Method for detecting a fall of a worker and apparatus for detecting a fall of a worker
CN108514420A (zh) * 2018-01-19 2018-09-11 四川明上科技有限公司 一种人员意识丧失监测识别器的监测方法及其系统
US20220201256A1 (en) * 2020-12-22 2022-06-23 Here Global B.V. Method, apparatus, and system for capturing an image sequence for a visual positioning service request
CN114720977A (zh) * 2022-06-10 2022-07-08 长沙莫之比智能科技有限公司 对象跌倒检测方法、装置、毫米波雷达和存储介质

Also Published As

Publication number Publication date
FR3028343B1 (fr) 2016-12-23
FR3028343A1 (fr) 2016-05-13

Similar Documents

Publication Publication Date Title
WO2016075013A1 (fr) Procédé de détection de chute d&#39;un sujet humain et dispositif actimétrique correspondant
AU2017251830B2 (en) Activity recognition using accelerometer data
EP1278457B1 (fr) Dispositif et procede de detection de situations anormales
EP2229665A1 (fr) Procede et equipement de detection de situation critique d&#39;un sujet
FR2981561A1 (fr) Procede de detection d&#39;activite a capteur de mouvements, dispositif et programme d&#39;ordinateur correspondants
WO2010097422A1 (fr) Systeme et procede de detection de marche d&#39;une personne
EP1941475B1 (fr) Procede de traitement des mesures d&#39;acceleration, capteur accelerometrique et systeme d&#39;alarme equipe de tels capteurs
Cola et al. Fall detection using a head-worn barometer
WO2015185703A1 (fr) Procédé et dispositif de détection au sein d&#39;un dispositif d&#39;assistance respiratoire de l&#39;aggravation de l&#39;état cardio-respiratoire d&#39;un patient
Lee et al. Using a smartwatch to detect stereotyped movements in children with developmental disabilities
EP3158343B1 (fr) Dispositif domotique et procédé économes en énergie de suivi du déplacement d&#39;un objet surveillé
Casares et al. Automatic fall detection by a wearable embedded smart camera
EP2207154B1 (fr) Procédé et dispositif de détection de chute
WO2019135059A1 (fr) Chaussure comprenant un accelerometre, ensemble et procede de detection de chute correspondant
JP2012178059A (ja) 防犯システム及び防犯プログラム
US10810856B2 (en) Dangerous situation detection method and apparatus using time series analysis of user behaviors
EP4233026A1 (fr) Capteur multifonctions pour la surveillance de locaux et procédés utilisant un tel capteur
Sun et al. Wearable fall detection system using barometric pressure sensors and machine learning
EP3327690B1 (fr) Dispositif de détection de chute perfectionné
CN112386249A (zh) 跌倒检测方法及装置、设备、存储介质
Sui et al. A new smart fall-down detector for senior healthcare system using inertial microsensors
Kumar et al. Fall Detection System using Tri-Axial Accelerometer
FR3113368A1 (fr) Procede et systeme de detection de la somnolence d’un individu
Lim et al. Fall Detection Interface of Remote Excavator Control System

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15801340

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15801340

Country of ref document: EP

Kind code of ref document: A1