WO2022037914A1 - Procede et systeme de detection de la somnolence d'un individu - Google Patents

Procede et systeme de detection de la somnolence d'un individu Download PDF

Info

Publication number
WO2022037914A1
WO2022037914A1 PCT/EP2021/071126 EP2021071126W WO2022037914A1 WO 2022037914 A1 WO2022037914 A1 WO 2022037914A1 EP 2021071126 W EP2021071126 W EP 2021071126W WO 2022037914 A1 WO2022037914 A1 WO 2022037914A1
Authority
WO
WIPO (PCT)
Prior art keywords
variable
hrv
time window
aggregate
faaggregate
Prior art date
Application number
PCT/EP2021/071126
Other languages
English (en)
Inventor
Nicolas Vera
Stéphane RIGAUT
Régis Logier
Julien DE JONCKHEERE
Mathieu Jeanne
Zakaria MRANI ALAOUI
Baptiste CHEVALLIER
Original Assignee
Fipsico
Centre Hospitalier Regional Universitaire De Lille
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
Priority claimed from FR2008530A external-priority patent/FR3113369B1/fr
Priority claimed from FR2008528A external-priority patent/FR3113370B1/fr
Priority claimed from FR2008529A external-priority patent/FR3113368B1/fr
Application filed by Fipsico, Centre Hospitalier Regional Universitaire De Lille filed Critical Fipsico
Priority to EP21754765.2A priority Critical patent/EP4196008A1/fr
Priority to US18/041,603 priority patent/US20230293072A1/en
Publication of WO2022037914A1 publication Critical patent/WO2022037914A1/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
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/18—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state for vehicle drivers or machine operators
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A61B5/4809—Sleep detection, i.e. determining whether a subject is asleep or not
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Definitions

  • the present invention relates to the detection of drowsiness from a cardiac signal of an individual. It finds its application in all fields where the detection of the drowsiness of a static individual can prove to be useful, and more particularly, but not exclusively, for the detection of the drowsiness of a vehicle driver.
  • the drowsiness of an individual can be generally defined as an intermediate phase of hypovigilance between an awake phase in which the individual is fully awake and alert and a phase in which the individual is asleep.
  • This intermediate phase of hypovigilance characteristic of drowsiness can itself be broken down into several successive phases of drowsiness characterized by different degrees of drowsiness.
  • a widespread drowsiness detection system is that which detects the crossing of a white line. This system relies on the use of camera(s) to continuously analyze the characteristics of the road to determine if the driver is not inadvertently crossing a white line.
  • Another family of drowsiness detection systems is based on driver behavior analysis.
  • one or more cameras are used to identify the opening of the eyes [Zhang, Z.; Zhang, J. “A new real-time eye tracking based on nonlinear unscented Kalman filter for monitoring driver fatigue. » J. Contr. Theor. Appl. 2010, 8, 181-188] or the frequency of eye blinking [Bergasa, L.M.; Nuevo, J.; Sotelo, M.A.; Barea, R.; Lopez, M.E. “Real-time system for monitoring driver vigilance. » IEEE Trans. Intel. Transport. System 2006, 7, 63-77],
  • EEG Electro-encephalogram
  • HRV variables which are characteristic of the variability of the heart rate in the time or frequency domain and which are representative of the activity of the autonomic nervous system (ANS).
  • the HRV variables are in known manner calculated from a plurality of time intervals between successive heartbeats in a cardiac signal measured on an individual.
  • this detection algorithm implements a network of artificial neurons (ANN) trained beforehand to differentiate the awake and asleep states of the individual. Detection is therefore dependent on the individual for whom the artificial neural network (ANN) has been specifically trained and is therefore not universal.
  • ANN artificial neural network
  • this detection algorithm implements a decision tree, the test variables of which are HRV variables in the time domain or in the frequency domain. At each node of the decision tree, at least one HRV variable is thus compared to a predefined threshold.
  • the predictive algorithm is applied directly to each successive instantaneous value of the HRV variable (“Feature”), and must therefore necessarily be trained beforehand, in order to be specifically adapted to an individual.
  • This translates in particular (cf. Table II) into a calculation, during the preliminary learning phase, of a specific coefficient for each individual (“Subject 1”, “Subject 2”, “Subject 3”) and for each feature extracted (left column of Table II).
  • the present invention generally aims to provide a new technical solution for detecting the drowsiness of an individual from a cardiac signal of the individual.
  • a more specific objective is to propose a new technical solution for detecting drowsiness which is weakly specific or weakly dependent on an individual, and which can be applied more universally to different individuals.
  • the first object of the invention is thus a method for detecting the drowsiness of an individual comprising:
  • each direction aggregate being a variable, which is calculated from the values of the HRV variable in a sliding time window (FAaggregate), and which characterizes the trend (bearish, bullish or constant) of the HRV variable in this sliding time window (FAaggregate), and/or a calculation of at least one shape aggregate for one or more of said HRV variables, each shape aggregate being a variable, which is calculated from the values of the HRV variable in a sliding time window (FAaggregate) and quantifying the shape of a distribution of the values of the HRV variable in this sliding time window (FAaggregate),
  • steps (c) to (e), and optionally step (b) can for example be carried out at a later time than step (a) of acquisition of the cardiac signal, being made from a memory recording of this cardiac signal over a given acquisition time period.
  • This implementation of at least steps (c) to (e) in deferred time may prove useful, for example, when it is desired to detect a posteriori over a given observation period, each period of time during which the individual was sleepy.
  • steps (b) to (e) of the method of the invention are carried out during step (a) of acquiring the cardiac signal, which allows detection of drowsiness in real time.
  • the detection method of the invention may also comprise the optional technical characteristics below, taken in isolation or in combination: - steps (b) to (e) of the method of the invention are carried out during step (a) of acquiring the cardiac signal.
  • step (c) at least two different HRV variables are extracted, preferably at least three different HRV variables, and more preferably at least four different HRV variables.
  • step (c) at least one HRV variable in the time domain and at least one HRV variable in the frequency domain are extracted.
  • the HRV variable or variables are chosen from among the HRV variables from the following list: HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, LF/HF as defined in the description below.
  • step (c) we extract in step (c) at least the variables LF and HF, and we calculate in step (d) at least one direction aggregate for each of these variables.
  • step (c) at least the HF and HRavg variables are extracted, and in step (d) at least one form aggregate is calculated for each of these variables.
  • step (c) several HRV variables are extracted, including at least the HF variable, and in step (d) at least one direction aggregate and at least one shape aggregate are calculated for this HF variable.
  • a variable HR characteristic of the instantaneous heart rate and calculated from a single time interval ( ⁇ ti) between two successive heartbeats is also extracted in step (c) and in step (d) one calculates at at least one directional aggregate from the values of the HR variable in a sliding time window (FAaggregate), said directional aggregate characterizing the trend of the HR variable in this sliding time window (FAaggregate) and/or at least one shape aggregate , from the values of this variable HR in a sliding time window (FAaggregate), said a shape aggregate quantifying the shape of a distribution of the values of the variable HR in this sliding time window (FAaggregate).
  • step (c) we extract in step (c) the HR variable and several HRV variables including at least the HF variable and we calculate in step (d) at least one shape aggregate for each of these HR and HF variables.
  • a direction aggregate may more particularly be a variable whose sign defines whether the trend of the variable (HRV or HR) in said sliding time window (FAaggregate) is bearish or bullish, preferably which is zero when the trend of the variable (HRV or HR) in said sliding time window (FAaggregate) is constant, and even more preferably the absolute value of which quantifies the trend of the variable (HRV or HR) in said sliding time window (FAaggregate).
  • DirectionION - at least one
  • FAaggregate the sliding time window
  • DELTA sign of at least one
  • LINEAR REGRESSION at least one of the direction aggregates is calculated from the slope of the straight line obtained by linear regression on the values of the variable in the sliding time window (FAaggregate).
  • At least one of the shape aggregates is calculated from at least one of the following coefficients: sharpness coefficient (Kurtosis) of a distribution of the variable, skewness coefficient (Skewness) of a distribution of the variable, standard deviation (std) of the variable.
  • the width of the sliding time window (FAaggregate) corresponds to a time interval (TAaggregate) of at least 30 seconds.
  • the width of the sliding time window (FAaggregate) corresponds to a time interval (TAaggregate) less than or equal to 10 minutes.
  • the width of the sliding time window (FAaggregate) is adjustable.
  • the sliding step of the sliding time window (FAaggregate) is adjustable.
  • step (e) comprises the use of the direction aggregate(s) and the shape aggregate(s) as test variables in at least one decision tree, with an automatic classification, at the output of the decision tree, of the cardiac signal as being characteristic (S) of drowsiness of the individual or not characteristic (E) of drowsiness of the individual.
  • each HRV variable is obtained in the time or frequency domain from several time intervals (etj) between successive heartbeats in a sliding time window (FHRV).
  • Another object of the invention is a drowsiness detection system comprising a module for acquiring a cardiac signal from an individual, a module for processing the cardiac signal, adapted to carry out step (b) of the detection method referred to above, an extraction module suitable for carrying out step (c) of the detection method referred to above, a module for calculation adapted to carry out step (d) of the aforementioned detection method, and a module for processing the direction aggregate(s) and/or the shape aggregate(s) calculated by the calculation module, which processing module is adapted to detect the drowsiness of the individual from these aggregates.
  • the invention also relates to a use of the aforementioned detection system to detect the drowsiness of an individual, and preferably the drowsiness of an individual driving a vehicle.
  • the invention also relates to a computer program product comprising program code instructions and allowing, when it is executed by one or more electronic processing units, to perform at least step (d), and preferably at minus steps (d) and (e), of the aforementioned detection method.
  • said computer program product makes it possible, when it is executed by one or more electronic processing units, to also perform steps (a) to (c) of the aforementioned detection method.
  • said computer program product makes it possible, when it is executed by one or more electronic processing units, to calculate in step (c) each HRV variable in the time or frequency domain from several time intervals ( ⁇ ti ) between successive heartbeats in a sliding time window (FHRV).
  • FIG. 1 shows an example of a detection system of the invention in the form of a block diagram
  • FIG. 2 shows a signal portion characteristic of a heartbeat in an ECG signal
  • FIG. 3 represents an example of an ECG signal
  • FIG. 4 shows an example of a PPG signal
  • FIG. 5 shows an example of an RR series tachogram
  • FIG. 6 shows an example of a decision tree.
  • a drowsiness detection system of the invention comprises:
  • a module 2 for processing this cardiac signal 1a whose main function is to detect the time intervals between successive heartbeats in the cardiac signal 1a, and which outputs a chronological series RR consisting of a succession of RRi samples, each RRi sample quantifying a time interval between two successive heartbeats;
  • an extraction module 3 which is suitable for extracting several HRV variables from successive time intervals RRi supplied by the processing module 2;
  • calculation module 4 which is suitable for calculating one or more direction aggregates and one or more shape aggregates from the HRV variables provided by the extraction module 3;
  • a drowsiness detection module 5 which is adapted to detect a state of drowsiness from only said aggregates provided by the calculation module 4;
  • the detection system of the invention can advantageously be used to detect drowsiness, and preferably to detect early onset of drowsiness, of a vehicle driver and in the event of detection of drowsiness to issue an alarm, in order to warn the driver that he is hypovigilant.
  • the invention is not limited to this single application, the detection system being able to be used in all applications where it proves useful to detect the drowsiness of an individual, and preferably of an individual in a static position.
  • the various modules 1 to 6 can be integrated into the same detection device ensuring locally, for example in the passenger compartment of a vehicle, the acquisition of the cardiac signal and the detection of drowsiness of the individual.
  • the module or modules 2, 3, 4 or 5 can be offset with respect to the site of acquisition of the cardiac signal.
  • the acquisition module 1 can be designed to remotely communicate the cardiac signal 1a, via any type of telecommunication network, to a remote processing unit comprising the modules 2 to 5.
  • modules 1 to 6 can be implemented by means of one or more electronic processing units comprising one or more microprocessors or one or more microcontrollers or by means of one or more units electronic processing implemented in the form of a programmable circuit, for example of the FPGA type, or in the form of a specific electronic circuit of the ASIC type.
  • Modules 3, 4 and 5 can also be implemented in the form of one or more software programs, which are capable of being executed by a remote computer or server communicating remotely with the signal acquisition module 1.
  • the acquisition module 1 comprises one or more sensors which are suitable for acquiring a cardiac signal 1 a from an individual.
  • the type of sensor(s) is irrelevant.
  • the sensors can for example, and in a non-limiting way of the invention, be a set of electrodes delivering a cardiac signal 1 a of the ECG signal type (FIG. 3), which is representative of the cardiac activity of the individual, and which comprises in a known manner, for each beat heart, five characteristic electrical waves P, Q, R, S, T, as shown in Figure 2:
  • the P wave corresponds to the depolarization of the atria, and which has a low amplitude and a dome shape;
  • the PQ space reflects the atrioventricular conduction time
  • the R wave is considered in practice as a marker of ventricular systole, or heartbeat, the QRS complex reflecting ventricular contraction, and the T wave reflecting ventricular repolarization.
  • a sensor of the acquisition module can also be a heartbeat sensor, of the pulse oximeter type or plethysmography sensor, delivering a cardiac signal 1a, of the PPG (photoplethysmography) signal type having for example the signal profile of Figure 4.
  • a heartbeat sensor of the pulse oximeter type or plethysmography sensor
  • delivering a cardiac signal 1a of the PPG (photoplethysmography) signal type having for example the signal profile of Figure 4.
  • the sensor or sensors of the acquisition module 1 can be integrated into a detection device worn by the individual, in the form, for example and in a non-exhaustive manner, of a bracelet, a ring or even pliers.
  • the sensor(s) of the acquisition module 1 can also be integrated into an organ manipulated by the individual, such as for example the steering wheel of a vehicle.
  • the sensor(s) of the acquisition module 1 can also be integrated into clothing worn by the individual.
  • the sensor or sensors of the acquisition module 1 can also be integrated into the immediate environment of the individual and be for example integrated into the seat of a vehicle.
  • the cardiac signal 1a delivered by the acquisition module 1 can be an analog signal or a digital signal.
  • the acquisition module 1 incorporates an analog/digital converter allowing to digitize the cardiac signal with a predetermined sampling frequency (fc), for example equal to 256 Hz.
  • fc sampling frequency
  • the processing module 2 generally comprises said analog/digital converter as input making it possible to digitize the cardiac signal 1a before implementation of the detection by the processing module 2.
  • the function of the module 2 is to detect the time intervals between successive heartbeats in the cardiac signal 1a.
  • This detection is preferably carried out in real time during the acquisition of the cardiac signal 1a.
  • the module 2 is preferably suitable for detecting each time interval ⁇ ti between two successive R waves (FIG. 3) and for constructing a time series at the output of the module, called series “RR” and made up of a succession of samples RRi, the value of each sample RRi being equal to the time interval ⁇ ti between two successive waves Ri, Rj+i.
  • the module 2 can also be adapted to construct said RR series using the other depolarization waves (P, Q, S or T) of the ECG signal, the precision being however less good. only by using the R waves of the ECG signal.
  • the processing module 2 is preferably adapted to detect each time interval ⁇ ti between two successive peaks Pi, Pi+1 (FIG. 4) characteristic of two successive heartbeats and to construct at the output of the module a time series consisting of a succession of samples RRi, the value of each sample RRi being equal to the time interval ⁇ ti between two successive peaks Pi, Pi+1.
  • RR series denotes the time series consisting of a succession of samples RRi whose value is equal to the time interval ⁇ ti between two successive heartbeats of the cardiac signal 1a.
  • FIG. 5 shows an example of a tachogram of an RR series as a function of time.
  • the module 2 can also comprise in a manner known per se one or more filters making it possible to filter the cardiac signal 1 a delivered by the acquisition module 1 or to filter the RR series before supplying it to the extraction module 3, in order for example to remove and/or correct any artifacts present in the cardiac signal 1a.
  • the extraction module 3 makes it possible to extract several HRV variables from an RR series provided by the processing module 2.
  • HRV variable generally designates any variable characteristic of the variation in heart rate and calculated from a plurality of time intervals ⁇ ti.
  • This extraction is preferably carried out in real time during the acquisition of the cardiac signal 1a.
  • each HRV variable is calculated from several RRi samples of the RR series.
  • each variable HRV is calculated from several successive samples RRi taken over a predefined time interval THRV.
  • each variable HRV is calculated from several successive samples RRi in a first sliding time window FHRV (FIG. 5) of predefined width LHRV corresponding to this time interval THRV, OR in other words to a predefined number of samples RRi taken into account in the sliding time window FHRV.
  • the sliding time window width LHRV FHRV may be different from one HRV variable to another or may be the same for several HRV variables or may be the same for all HRV variables.
  • the sliding step of the sliding time window FHRV can, depending on the case, be a step of a single sample RRi or a step of several samples RRi.
  • this sliding step of the sliding time window FHRV is less than the width LHRV of the sliding time window FHRV, that is to say less than the number of samples RRi in the sliding time window FHRV.
  • the sliding step of the FHRV sliding time window can be different for each HRV variable or can be the same for several HRV variables or can be the same for all HRV variables.
  • the HRV variables are preferably selected from those listed below, it being specified however that the invention is not limited to these specific examples of HRV variables alone.
  • the preferred HRV variables for carrying out the invention are: HRmoy, RMSSD, VCT, VLT, SDNN, CSI.
  • This variable HRavg is representative of the average heart rate in the rolling time window FHRV.
  • This variable HRmoy expressed in beats/minute can in a known manner be calculated from a plurality of samples RRi( ⁇ ti) in the sliding time window FHRV referred to above by means of the following formula:
  • This variable HRV is the square root of the mean of the squared differences between the successive samples RRi( ⁇ ti) in the sliding time window FHRV.
  • VCT is calculated on a series of RRi( ⁇ ti) resampled at 4hz. It analyzes the differences in average heart rate between two successive short epochs (for example 3.75s) in a sliding FHRV time window of one minute (i.e. 16 epochs). VCT then represents the mean of the absolute value of these differences divided by 2.
  • variable VCT the variable VLT is calculated on a series of RRi( ⁇ ti) resampled at 4hz.
  • the VLT represents the difference between the minimum value and the value maximum of the average heart rates X t calculated over successive epochs (for example of 3.75 s) in a sliding time window FHRV of one minute.
  • This variable HRV is the standard deviation of the samples RRi( ⁇ ti) in the sliding time window FHRV.
  • This HRV variable is calculated using the formula: where: and is the standard deviation of the differences between successive time intervals and in the sliding time window FHRV.
  • the preferred HRV variables for the invention are the variables commonly designated HF, LF, HF/LF, LF/HF.
  • a step is carried out additional intermediate transformation in the frequency domain of the time signal RR, for example, and in a non-exhaustive manner, by means of a fast Fourier transform (FFT), a wavelet transform or an autoregressive model (ARMA) and a signal is obtained in the frequency domain, on which the calculation of the HRV variables, in particular HF, LF, HF/LF, LF/HF is carried out.
  • FFT fast Fourier transform
  • A autoregressive model
  • the variables HF and LF characterize the spectral power density or the spectral power of the series of samples RRi in the aforementioned sliding time window FHRV, in a band of high frequencies, preferably between 0.15 Hz and 0 .4 Hz for the HF variable and in a low frequency band, preferably between 0.04Hz and 0.15Hz for the LF variable.
  • variables HF and LF are, in a known way, obtained from an integration of the signal (ie from the calculation of the "area under the curve" of the signal) resulting from the transformation of the temporal signal RR in the frequency domain , this integration being carried out in a frequency band which is specific and different for each variable, and preferably:
  • HR Instantaneous heart rate
  • the extraction module 3 can also, in certain variant embodiments, calculate and supply to the calculation module 4 an additional variable called HR, which is not an HRV variable within the meaning of the present text and of the invention, which is calculated from a single sample RRi, and which is characteristic of the instantaneous heart rate.
  • HR an additional variable
  • the aggregate calculation module 4 is suitable for calculating at least one direction aggregate for one or more HRV variables or at least one shape aggregate for one or more HRV variables.
  • the aggregate calculation module 4 is adapted to calculate at least one direction aggregate for one or more HRV variables and at least one form aggregate for one or more HRV variables
  • the shape aggregate or aggregates are calculated for HRV variables different from those used for the calculation of the direction aggregate or aggregates.
  • a direction aggregate and a shape aggregate can be calculated for the same HRV variable.
  • This calculation of aggregates is preferably carried out in real time during the acquisition of the cardiac signal 1a.
  • each direction aggregate and/or each shape aggregate is calculated for an HRV variable from several successive discrete values HRVi of the HRV variable in a second sliding time window FAaggregate of predefined width LAaggregate.
  • This width LAaggregate of the sliding time window FAaggregate corresponds to a time interval TAaggregate or in other words to a predefined number of discrete values HRVi taken into account in the sliding time window FAaggregate.
  • This LAaggregate width of sliding time window FAaggregate may be different from one variable to another, and if necessary for the same variable may be different for a direction aggregate and for a shape aggregate.
  • all the aggregates (shape aggregate(s) and direction aggregate(s)) will be calculated for all the HRV variables with the same sliding time window FAaggregate.
  • the time interval TAaggregate corresponding to the width of the sliding time window FAaggregate will preferably be at least 30 seconds and preferably less than or equal to 10 minutes.
  • the sliding step of the sliding time window FAaggregate can, depending on the case, be a step of a single sample of the variable HRV or a step of several samples of the variable HRV.
  • this sliding step of the sliding time window FAaggregate is less than the width LAaggregate of the sliding time window FAaggregate, that is to say less than the number of samples of the variable HRV in the sliding time window FAaggregate.
  • the slip step of the FAaggregate sliding time window can be the same for all aggregates or can be specific to an aggregate.
  • the width of the sliding time window FAaggregate and/or the sliding step of the time window slippery aggregate are adjustable.
  • the calculation module 4 can also calculate a direction aggregate for the variable HR and/or a shape aggregate for the variable HR from the discrete values (samples) HRi taken by this variable HR in a sliding time window FAaggregate, and in particular from several successive discrete values HRi of the variable HR in a sliding time window FAaggregate of predefined width LAaggregate. Steering aggregates
  • a direction aggregate is a variable, which is calculated for an HRV variable, and optionally for the HR variable, from the discrete values (samples) of the HRV (or HR) variable, in the sliding time window FAaggregate, and which defines the trend (up, down, constant) of the HRV (or HR) variable in the sliding time window FAaggregate.
  • a direction aggregate is a variable whose sign defines whether the trend of the variable HRV (or HR) in the sliding time window FAaggregate is bearish or bullish, and preferably which is zero when the trend of the variable HRV (or HR) in the sliding time window FAaggregate is constant.
  • the absolute value of a direction aggregate quantifies said trend of the variable HRV (or HR) in the sliding time window FAaggregate.
  • the direction aggregates can be selected from the three particular types of direction aggregates ("DIRECTION”, “DELTA”, “LINEAR REGRESSION”) detailed below, it being specified however that the invention is not limited to these particular examples of steering aggregates alone.
  • the absolute value of this aggregate is obtained by calculating the difference between the maximum value of the HRV (or HR) variable and the minimum value of the HRV (or HR) variable in the sliding time window Faggregate.
  • the sign of this aggregate is for example obtained from the chronological position of said maximum value of the variable relative to the chronological position of said minimum value of the variable in the sliding time window FAaggregate.
  • This aggregate is obtained by calculating by linear regression, for example using the least squares method, the straight line approximating all the values of the variable HRV (or HR) in the sliding time window FAaggregate, the "LINEAR REGRESSION" aggregate being the slope (steering coefficient) of this straight line.
  • the slope is positive, the trend of the HRV (or HR) variable is bullish.
  • this slope is negative, the trend of the HRV (or HR) variable is bearish.
  • a shape aggregate is a variable that is calculated from the discrete values (samples) of the variable HRV (or HR) in the sliding time window FAaggregate and that quantifies the shape of a distribution of the samples ( values) of the HRV (or HR) variable in the sliding time window FAaggregate .
  • the shaped aggregates can be selected from the various specific types of shaped aggregates detailed below, it being specified however that the invention is not limited to these specific examples of shaped aggregates alone.
  • Standard deviation measures in a manner known per se the dispersion of the distribution of a variable.
  • the standard deviation (std) of the variable HRV (or optionally HR) in the sliding time window FAaggregate can be calculated using the following formula: in which :
  • - A/ is the number of values (samples) of the variable HRV (or HR) in the sliding time window FAaggregate;
  • - x avg is the average of the values of the variable HRV (or HR) in the sliding time window FAaggregate;
  • xi is the value of the variable HRV (or HR) at the i-th position in the sliding time window FAaggregate;
  • the Kurtosis still commonly called coefficient of sharpness or coefficient of flattening, measures in a way known in itself the sharpness of the distribution of a variable.
  • the Kurtosis of the variable HRV in the sliding time window FAaggregate can for example be calculated using the following formula: in which :
  • - N is the number of values (samples) of the variable HRV (or HR) in the sliding time window FAaggregate;
  • - x avg is the average of the values of the HRV (or HR) variable in the FAaggregate sliding time window;
  • xi is the value of the variable HRV (or HR) at the i-th position in the sliding time window FAaggregate;
  • Skewness also commonly called the asymmetry coefficient, measures in a known way the asymmetry of the distribution of a variable.
  • the Skewness of the variable HRV in the sliding time window FAaggregate can be calculated using the following formula: in which :
  • - N is the number of values (samples) of the variable HRV (or HR) in the sliding time window FAaggregate;
  • - x avg is the average of the values i of the variable HRV (or HR) in the sliding time window FAaggregate; xi is the value of the variable HRV (or HR) at the i-th position in the sliding time window FAaggregate;
  • - S is the standard deviation of the samples of the variable HRV (or HR) in the sliding time window FAaggregate.
  • aggregates of the form derivatives of the standard deviation (std) can be calculated, such as for example M/std or std/M, where M is the mean of the HRVi (or HRi) values of the HRV (or HR) variable in the time window slippery FAaggregate.
  • the invention can be carried out on the one hand by using at least two different HRV variables, preferably at least three different HRV variables, and more preferably still at least four selected ones.
  • the extraction module 3 is suitable for extracting at least one HRV variable in the time domain and at least one HRV variable in the frequency domain.
  • the HRV variable or variables are chosen from the list of preferential HRV variables referred to above (HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF), and module 4 is suitable for calculating, for one or more of these HRV variables, one or more direction aggregates preferably chosen from the list of direction aggregates referred to above (“DIRECTION”, “DELTA”, “LINEAR REGRESSION”) and to calculate, for one or more of these variables HRV, one or more shaped aggregates preferably chosen from the list of shaped aggregates referred to above (std, Kurtosis, Skewness, M/std or std/M).
  • the use of HRV variables and of direction aggregate(s) calculated for one or more of these HRV variables and/or of form aggregate(s) calculated for one or more of these HRV variables advantageously makes it possible to carry out a detection reliable drowsiness, without it being essential to use in addition other drowsiness detection devices or to use in addition physiological signals other than the cardiac signal 1a.
  • the drowsiness detection system of the invention can therefore advantageously be used for detecting drowsiness, solely from the direction aggregate(s) and/or the shape aggregate(s), without requiring other detection devices or without requiring the acquisition of physiological signals other than the cardiac signal 1 a.
  • the drowsiness detection system of the invention can also be used in addition to other known detection devices, such as for example detection devices based on blink analysis eyes, detection devices based on the behavioral analysis of the individual, detection devices based on the analysis of the movements of the vehicle, or drowsiness detection devices using physiological signals other than a cardiac signal.
  • detection devices such as for example detection devices based on blink analysis eyes, detection devices based on the behavioral analysis of the individual, detection devices based on the analysis of the movements of the vehicle, or drowsiness detection devices using physiological signals other than a cardiac signal.
  • HRV variables and direction aggregate(s) calculated for one or more of these variables HRV and/or aggregate(s) of shape calculated for one or more of these HRV variables can advantageously make it possible to carry out drowsiness detection, which is more universal, that is to say which is not dependent or specific to an individual.
  • HRV variables and of direction aggregate(s) calculated for one or more of these HRV variables and/or of shape aggregate(s) calculated for one or more of these HRV variables can advantageously make it possible in many cases to carry out early drowsiness detection, that is to say to detect the onset of drowsiness, well before the phase in which the individual is asleep.
  • the drowsiness detection is carried out by preferentially using as HRV variables, at least the variables LF, HF, HF/LF, LF/HF, and more preferentially by calculating at least one direction aggregate for each of these HRV variables.
  • the drowsiness detection is carried out by preferentially using as HRV variables, at least the HF and HRavg variables, and by calculating at least one aggregate form for each of these HRV variables or by preferentially using the HR variable and several HRV variables including at least the HF variable and by calculating at least one form aggregate for each of these HR and HF variables.
  • the drowsiness detection is carried out by using several HRV variables, including at least preferentially the variable HF, and by calculating at least one direction aggregate and at least one form aggregate for this variable HF.
  • the different form aggregate(s) and/or direction aggregate(s) are provided as input variables to the drowsiness detection module 5.
  • the drowsiness detection module 5 executes a detection algorithm which allows the detection of the drowsiness of the individual from these aggregates.
  • This drowsiness detection is carried out in real time during the acquisition of the cardiac signal 1a.
  • the detection by the module 5 is carried out by using the direction aggregate(s) and/or the shape aggregate(s) as test variables in a decision tree, such as for example that of FIG. , with an automatic classification, at the output of the decision tree, of the cardiac signal as being characteristic (S) of drowsiness of the individual or not characteristic (E) of drowsiness of the individual.
  • the predictive algorithm for drowsiness detection can also implement the known machine learning technique called "random forest", which performs learning on multiple decision trees trained on subsets of data (HRV variables and direction aggregate(s) and aggregate(s) of shape) different.
  • an algorithm based on one or more decision trees is preferred, the invention can nevertheless also be implemented using other types of predictive algorithms, such as for example and in a non exhaustive, an algorithm based on a neural network, a convolutional neural network, a logistic regression, or any other model of artificial intelligence.
  • the drowsiness detection module 5 communicates with the alert module 6 in order to keep it informed, in real time and during the acquisition of the cardiac signal 1a, of the drowsiness or not of the individual.
  • the alert module 6 is adapted to automatically trigger an action, as soon as it is informed of a state of drowsiness of the individual by the drowsiness detection module 5.
  • This action is for example the triggering of a visual and/or sound and/or mechanical (for example vibrations) alarm signal in the environment of the individual, so as to warn at least the individual of his state of drowsiness, so that he can take the measures (for example interruption of driving and rest) necessary to restore his vigilance.
  • a visual and/or sound and/or mechanical (for example vibrations) alarm signal in the environment of the individual, so as to warn at least the individual of his state of drowsiness, so that he can take the measures (for example interruption of driving and rest) necessary to restore his vigilance.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Cardiology (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Psychiatry (AREA)
  • Developmental Disabilities (AREA)
  • Educational Technology (AREA)
  • Hospice & Palliative Care (AREA)
  • Child & Adolescent Psychology (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Anesthesiology (AREA)
  • Artificial Intelligence (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)

Abstract

Détection de la somnolence d'un individu dont le procédé comprend : • (a) une acquisition d'un signal cardiaque (1 a) • (b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δt) entre battements cardiaques successifs, • (c) une extraction, à partir desdits intervalles de temps (Õti) entre battements cardiaques successifs, d'une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δt) entre battements cardiaques successifs, • (d) un calcul d'au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (F Agrégat), et qui caractérise la tendance de la variable HRV dans cette fenêtre temporelle glissante (F Agrégat), et/ou un calcul d'au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (F Agrégat) et quantifiant la forme d'une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (F Agrégat), • (e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l'individu.

Description

PROCEDE ET SYSTEME DE DETECTION DE LA SOMNOLENCE D’UN INDIVIDU
Domaine technique
La présente invention concerne la détection de la somnolence à partir d’un signal cardiaque d’un individu. Elle trouve son application dans tous les domaines où la détection de la somnolence d’un individu statique peut s’avérer utile, et plus particulièrement, mais non exclusivement, à la détection de la somnolence d’un conducteur de véhicule.
Art antérieur
On estime qu’entre 10 et 30% de la totalité des accidents de la route dans le monde sont liés à l’endormissement [NHTSA, « Drowsy Driving and Automobile Crashes », 2017], Cette fourchette d’estimation est large car le niveau de fatigue n’est pas mesurable a posteriori lors d’un accident, contrairement par exemple au niveau d’alcool dans le sang. Ainsi les investigateurs se basent sur des critères plus larges comme l’absence de traces de freinage sur le sol.
Compte tenu du problème majeur qu’est la somnolence au volant, de nombreuses solutions techniques ont été développées pour tenter de détecter automatiquement la somnolence et alerter le conducteur (cf notamment Sahayadhas, A., Sundaraj, K., & Murugappan, M. (2012). « Detecting driver drowsiness based on sensors: a review. » Sensors, 72(12), 16937-16953.
La somnolence d’un individu peut se définir d’une manière générale comme une phase intermédiaire d’hypovigilance entre une phase éveillée dans laquelle l’individu est pleinement éveillé et vigilant et une phase dans laquelle l’individu est endormi. Cette phase intermédiaire d’hypovigilance caractéristique de la somnolence peut elle-même se décomposer en plusieurs phases successives de somnolence caractérisées par des degrés de somnolence différents.
Parmi les solutions techniques connues de détection de la somnolence d’un individu, on trouve une première famille de systèmes de détection basés sur une analyse du comportement du véhicule. En particulier, un système de détection de somnolence répandu est celui détectant un franchissement de ligne blanche. Ce système repose sur l’utilisation de caméra(s) pour analyser en permanence les caractéristiques de la route pour déterminer si le conducteur n’est pas en train de franchir une ligne blanche par inadvertance.
Une autre famille de systèmes de détection de somnolence est basée sur une analyse du comportement du conducteur. On utilise à cet effet une ou plusieurs cameras pour identifier l’ouverture des yeux [Zhang, Z.; Zhang, J. « A new real-time eye tracking based on nonlinear unscented Kalman filter for monitoring driver fatigue. » J. Contr. Theor. Appl. 2010, 8, 181-188] ou la fréquence de clignements des yeux [Bergasa, L.M.; Nuevo, J.; Sotelo, M.A.; Barea, R.; Lopez, M.E. « Real-time system for monitoring driver vigilance. » IEEE Trans. Intell. Transport. Syst. 2006, 7, 63-77],
Ces deux familles présentent de bons résultats sur le papier. Cependant, outre la complexité technique soulevée par l’installation de caméras à bord du véhicule, ainsi que les soucis liés aux variations de luminosité, ces systèmes sont par essence réactifs et peuvent aboutir à une détection de somnolence trop tardive.
On a également cherché à proposer une troisième famille de systèmes de détection de somnolence basés sur une mesure et une analyse de signaux physiologiques de l’individu. Cette famille est très vaste et de nombreux signaux physiologiques peuvent être analysés [Khushaba, R. N.; Kodagoda, S.; Lal, S.; Dissanayake, G. « Driver drowsiness classification using fuzzy wavelet-packet-based feature-extraction algorithm ». IEEE Trans. Biomed. Eng. 2011 , 58, 121-131. / Hu, S.; Zheng, G. “Driver drowsiness detection with eyelid related parameters by support vector machine." Exp. Syst. Appl. 2009, 36, 7651-7658 ].
Parmi les solutions de cette troisième famille, certaines sont basées sur l’acquisition et l’analyse d’un signal EEG (Électro-encéphalogramme) du conducteur. Si le signal EEG peut être un indicateur précieux de somnolence, il n’en reste pas moins problématique sur plusieurs aspects. D’un point de vue pratique, l’encombrement dans l’habitacle du véhicule avec un tel dispositif pose problème. D’autre part, les données produites par le signal EEG sont lourdes et difficiles à traiter en temps réel, et il y a également des problèmes d’artefacts sur le signal lors du mouvement du conducteur.
Plus récemment, on a proposé des solutions techniques de détection de somnolence basées sur une acquisition et une analyse d’un signal cardiaque de l’individu, du type par exemple signal ECG (Electrocardiogramme) ou signal de pouls de type signal PPG obtenu au moyen d’un capteur de pléthysmographie. Ces solutions permettent avantageusement la mise en œuvre de capteurs simples et peu encombrants. Plus particulièrement, on peut utiliser des capteurs portés par l’individu, et par exemple des capteurs intégrés à un bracelet ou à une bague. On peut également utiliser des capteurs intégrés à un vêtement porté par l’utilisateur ou des capteurs intégrés au siège conducteur. On peut également utiliser des capteurs intégrés au volant du véhicule.
Lors de la phase d’endormissement d’un individu, on remarque une diminution du tonus musculaire et du rythme cardiaque, qui représentent des changements dans le système nerveux autonome (SNA) de l’individu. Pour essayer de détecter la somnolence d’un individu, on a ainsi cherché à utiliser des variables, communément appelées variables HRV, qui sont caractéristiques de la variabilité de la fréquence cardiaque dans le domaine temporel ou fréquentiel et qui sont représentatives de l’activité du système nerveux autonome (SNA).
Des variables HRV couramment utilisées ont par exemple été décrites dans la publication « Heart rate variability - Standards of measurement, physioligical interpetation, and clinical use », European Heart Journal, Vol. 17, Mars 1996, pages 354-381
Les variables HRV sont de manière connue calculées à partir d’une pluralité d’intervalles de temps entre battements cardiaques successifs dans un signal cardiaque mesuré sur un individu.
Ainsi on a par exemple proposé dans le brevet américain US9,955,925 et dans la demande de brevet américain US 2019/0008434 des systèmes de détection de somnolence mettant en œuvre une détection, dans un signal cardiaque mesuré sur l’individu, des intervalles de temps entre battements cardiaques successifs, sur une extraction de variables HRV caractéristiques de la variabilité de la fréquence cardiaque, et sur une analyse de ces variables HRV au moyen d’un algorithme de détection de somnolence.
Dans le brevet américain US9,955,925 susvisé, cet algorithme de détection met en œuvre un réseau de neurones artificiels (RNA) entraîné au préalable pour différencier les états éveillés et endormis de l’individu. La détection est de ce fait dépendante de l’individu pour lequel le réseau de neurones artificiels (RNA) a été spécifiquement entraîné et n’est donc pas universelle.
Dans la demande de brevet américain US 2019/0008434 susvisée, cet algorithme de détection met en œuvre un arbre de décision, dont les variables de test sont des variables HRV dans le domaine temporel ou dans le domaine fréquentiel. A chaque nœud de l’arbre de décision, on compare ainsi au moins une variable HRV à un seuil prédéfini.
Dans les deux publications US9,955,925 et US 2019/0008434 susvisées, l’utilisation directement de variables HRV rend ces solutions moins fiables, car la valeur d’une variable HRV peut être très différente d’un individu à l’autre pour un même état ou degré de somnolence. Ainsi, en fonction de l’individu, la détection de la somnolence peut s’avérer être insuffisante ou défaillante, et peut notamment aboutir à des détections de somnolence trop tardives ne permettant pas par exemple d’empêcher la survenue d’un accident.
On a également déjà proposé dans la publication : Mohsen Babaeian et al : “Real time Driver Drowsiness Detection Using a Logistic- Regression-Based Machine Learning Algorithm” - IEEE Green energy and Systems Conference, 6 Novembre 2016, de calculer des variables HRV dites «Features », et d’utiliser un algorithme prédictif, dit de « Régression logistique », pour réaliser la détection de la somnolence d’un individu.
Dans cette publication, l’algorithme prédictif est appliqué directement sur chaque valeur instantanée successive de la variable HRV («Feature»), et doit ainsi nécessairement être entraîné préalablement, afin d’être adapté spécifiquement à un individu. Cela se traduit notamment (cf. Tableau II) par un calcul, lors de la phase d’apprentissage prélable, d’un coefficient spécifique pour chaque individu (« « Subject 1 », « Subject 2 », « Subject 3 ») et pour chaque caractéristique extraite (colonne de gauche du tableau II).
Objectif de l’invention
La présente invention vise d’une manière générale à proposer une nouvelle solution technique de détection de la somnolence d’un individu à partir d’un signal cardiaque de l’individu.
Un objectif plus particulier est de proposer une nouvelle solution technique de détection de la somnolence qui soit faiblement spécifique ou faiblement dépendante d’un individu, et qui puisse s’appliquer de manière plus universelle à des individus différents.
Résumé de l’invention
L’invention a ainsi pour premier objet un procédé de détection de la somnolence d’un individu comprenant :
(a) une acquisition d’un signal cardiaque de l’individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δti) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (5ti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δtj) entre battements cardiaques successifs,
(d) un calcul d’au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat), et qui caractérise la tendance (baissière, haussière ou constante) de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat), et/ou un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat) et quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat),
(e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu.
Dans le cadre de ce procédé de l’invention, les étapes (c) à (e), et optionnellement l’étape (b), peuvent par exemple être réalisées en temps différé par rapport à l’étape (a) d’acquisition du signal cardiaque, en étant réalisées à partir d’un enregistrement en mémoire de ce signal cardiaque sur une période de temps d’acquisition donnée. Cette mise en œuvre au moins des étapes (c) à (e) en temps différé peut s’avérer utile par exemple lorsque l’on souhaite détecter a posteriori sur une période d’observation donnée, chaque période de temps pendant laquelle l’individu a été somnolent.
De préférence néanmoins, les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque, ce qui permet une détection de somnolence en temps réel.
De manière facultative selon l’invention, le procédé de détection de l’invention peut également comporter les caractéristiques techniques optionnelles ci-après, prises isolément ou en combinaison : - les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque.
- on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes.
- on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
- la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, LF/HF telles que définies dans la description ci-après.
- on extrait à l’étape (c) au moins les variables LF et HF, et on calcule à l’étape (d) au moins un agrégat de direction pour chacune de ces variables.
- on extrait à l’étape (c) au moins les variables HF et HRmoy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables.
- on extrait à l’étape (c) plusieurs variables HRV, dont au moins la variable HF, et on calcule à l’étape (d) au moins un agrégat de direction et au moins un agrégat de forme pour cette variable HF.
- on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δti) entre deux battements cardiaques successifs et à l’étape (d) on calcule au moins un agrégat de direction à partir des valeurs de la variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit agrégat de direction caractérisant la tendance de la variable HR dans cette fenêtre temporelle glissante (FAgrégat) et/ou au moins un agrégat de forme, à partir des valeurs de cette variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit un agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HR dans cette fenêtre temporelle glissante (FAgrégat).
- on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF.
- un agrégat de direction peut être plus particulièrement une variable dont le signe définit si la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est baissière ou haussière, de préférence qui est nulle quand la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est constante, et plus préférentiellement encore dont la valeur absolue quantifie la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat).
- au moins un (« DIRECTION ») des agrégats de direction est calculé à partir de la différence entre la dernière et la première valeur de la variable dans la fenêtre temporelle glissante (FAgrégat).
- le signe d’au moins un (« DELTA ») agrégat de direction est calculé à partir de la position chronologique de la valeur maximale de la variable dans la fenêtre temporelle glissante (FAgrégat) par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante (FAgrégat), et de préférence la valeur absolue de cet agrégat de direction (« DELTA ») est calculée à partir de la différence entre ladite valeur maximale de la variable et ladite valeur minimale de la variable.
- au moins un («REGRESSION LINEAIRE ») des agrégats de direction est calculé à partir de la pente de la droite obtenue par régression linéaire sur les valeurs de la variable dans la fenêtre temporelle glissante (FAgrégat).
- au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants: coefficient d’acuité (Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable.
- la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) d’au moins 30 secondes.
- la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) inférieur ou égal à 10 minutes.
- la largeur de la fenêtre temporelle glissante (FAgrégat) est réglable.
- le calcul de chaque agrégat de direction est effectué avec la même fenêtre temporelle glissante (FAgrégat).
- le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat).
- le calcul de tous les agrégats de direction et/ou de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat)
- le pas de glissement de la fenêtre temporelle glissante (FAgrégat) est réglable.
- l’étape (e) comprend l’utilisation du ou des agrégats de direction et du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.
- à l’étape (c), chaque variable HRV est obtenue dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (êtj) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
L’invention a pour autre objet un système de détection de somnolence comportant un module d’acquisition d’un signal cardiaque d’un individu, un module de traitement du signal cardiaque, adapté pour réaliser l’étape (b) du procédé de détection susvisé, un module d’extraction adapté pour réaliser l’étape (c) du procédé de détection susvisé, un module de calcul adapté pour réaliser l’étape (d) du procédé de détection susvisé, et un module de traitement du ou des agrégats de direction et/ou du ou des agrégats de forme calculés par le module de calcul, lequel module de traitement est adapté pour détecter la somnolence de l’individu à partir de ces agrégats.
L’invention a également pour objet une utilisation du système de détection susvisé pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule.
L’invention a également pour objet un produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins l’étape (d), et de préférence au moins les étapes (d) et (e), du procédé de détection susvisé.
De préférence, ledit produit programme informatique permet, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser également les étapes (a) à (c) du procédé de détection susvisé.
De préférence, ledit produit programme informatique permet, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de calculer à l’étape (c) chaque variable HRV dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
Brève description des figures
Les caractéristiques et avantages de l’invention apparaîtront plus clairement à la lecture de la description détaillée ci-après de plusieurs variantes de réalisation de l’invention, laquelle description détaillée est donnée à titre d’exemple non limitatif et non exhaustif de l’invention, et en référence aux dessins annexés sur lesquels :
- la figure 1 représente un exemple de système de détection de l’invention sous la forme de schéma bloc ;
- la figure 2 représente une portion de signal caractéristique d’un battement cardiaque dans un signal ECG ; la figure 3 représente un exemple de signal ECG ;
- la figure 4 représente un exemple de signal PPG ;
- la figure 5 représente un exemple de tachogramme d’une série RR ;
- la figure 6 représente un exemple d’arbre de décision.
Description détaillée
En référence à la variante particulière de réalisation de la figure 1 , un système de détection de somnolence de l’invention comporte :
- un module 1 d’acquisition d’un signal cardiaque 1 a d’un individu ;
- un module de traitement 2 de ce signal cardiaque 1 a, qui a pour fonction principale de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1 a, et qui délivre en sortie une série RR chronologique constituée d’une succession d’échantillons RRi, chaque échantillon RRi quantifiant un intervalle de temps entre deux battements cardiaques successifs;
- un module d’extraction 3, qui est adapté pour extraire plusieurs variables HRV à partir des intervalles de temps RRi successifs fournis par le module de traitement 2;
- un module de calcul 4, qui est adapté pour calculer un ou plusieurs agrégats de direction et un ou plusieurs agrégats de forme à partir des variables HRV fournies par le module d’extraction 3 ;
- un module de détection de somnolence 5, qui est adapté pour détecter un état de somnolence à partir uniquement desdits agrégats fournis par le module de calcul 4 ;
- un module d’alerte 6.
Le système de détection de l’invention peut avantageusement être utilisé pour détecter la somnolence, et de préférence pour détecter de manière précoce le début de somnolence, d’un conducteur de véhicule et pour en cas de détection de somnolence émettre une alarme, afin de prévenir le conducteur qu’il est en hypovigilance. Néanmoins, l’invention n’est pas limitée à cette seule application, le système de détection pouvant être utilisé dans toutes les applications où il s’avère utile de détecter la somnolence d’un individu, et de préférence d’un individu en position statique.
Dans le cadre de l’invention, les différents modules 1 à 6 peuvent être intégrés à un même dispositif de détection assurant localement, par exemple dans l’habitacle d’un véhicule, l’acquisition du signal cardiaque et la détection de la somnolence de l’individu. Dans d’autres variantes de l’invention, le ou les modules 2, 3, 4 ou 5 peuvent être déportés par rapport au site d’acquisition du signal cardiaque. Par exemple, le module d’acquisition 1 peut être conçu pour communiquer à distance le signal cardiaque 1 a, via tout type de réseau de télécommunication, à un ensemble de traitement déporté comportant les modules 2 à 5.
La technologie utilisée pour réaliser les modules 1 à 6 n’est pas limitative de l’invention. Par exemple, et de manière non exhaustive, l’ensemble des modules 1 à 6 peut être implémenté au moyen d’une ou plusieurs unités de traitement électroniques comportant un ou plusieurs microprocesseurs ou un ou plusieurs microcontrôleurs ou au moyen d’une ou plusieurs unités de traitement électroniques implémentées sous la forme d’un circuit programmable, par exemple de type FPGA, ou sous la forme d’un circuit électronique spécifique de type ASIC. Les modules 3, 4 et 5 peuvent également être implémentés sous la forme d’un ou plusieurs logiciels, qui sont aptes à être exécutés par un ordinateur ou serveur distant communiquant à distance avec le module 1 d’acquisition de signal.
Module d’acquisition 1 - signal cardiaque 1a
Le module d’acquisition 1 comporte un ou plusieurs capteurs qui sont adaptés pour acquérir un signal cardiaque 1 a d’un individu.
Dans le cadre de l’invention, le type de capteur(s) est sans importance.
Les capteurs peuvent par exemple, et de manière non limitative de l’invention, être un ensemble d’électrodes délivrant un signal cardiaque 1 a de type signal ECG (figure 3), qui est représentatif de l’activité cardiaque de l’individu, et qui comporte de manière connue, pour chaque battement cardiaque, cinq ondes électriques caractéristiques P, Q, R, S, T, tel qu’illustré sur la figure 2 :
- l'onde P correspond à la dépolarisation des oreillettes, et qui présente une faible amplitude et une forme de dôme ;
- l'espace PQ traduit le temps de conduction auriculo-ventriculaire;
- l'onde R est considérée en pratique comme marqueur de la systole ventriculaire, ou du battement cardiaque, le complexe QRS reflétant la contraction ventriculaire, et l'onde T reflète la repolarisation ventriculaire.
De manière non limitative de l’invention, un capteur du module d’acquisition peut également être un capteur de pulsations cardiaques, de type oxymètre de pouls ou capteur de pléthysmographie, délivrant un signal cardiaque 1 a, de type signal PPG (photopléthysmographie) ayant par exemple le profil du signal de la figure 4.
Dans le cadre de l’invention, le ou les capteurs du module d’acquisition 1 peuvent être intégrés à un dispositif de détection porté par l’individu, sous la forme par exemple et de manière non exhaustive d’un bracelet, d’une bague ou encore d’une pince.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un organe manipulé par l’individu, tel que par exemple le volant d’un véhicule.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés à un vêtement porté par l’individu.
Le ou les capteurs du module d’acquisition 1 peuvent également être intégrés dans l’environnement immédiat de l’individu et être par exemple intégrés au siège d’un véhicule.
Quel que soit le type de capteur, le signal cardiaque 1a délivré par le module d’acquisition 1 peut être un signal analogique ou un signal numérique.
Lorsque le signal cardiaque 1 a est numérique, le module d’acquisition 1 intègre un convertisseur analogique/numérique permettant de numériser le signal cardiaque avec une fréquence d'échantillonnage (fc) prédéterminée, valant par exemple 256 Hz.
Lorsque le signal cardiaque 1 a est analogique, le module de traitement 2 comporte généralement en entrée ledit convertisseur analogique/numérique permettant de numériser le signal cardiaque 1 a avant mise en œuvre de la détection par le module de traitement 2.
Module de traitement 2- Echantillons RRi
Le module 2 a pour fonction, de manière connue en soi, de détecter les intervalles de temps entre battements cardiaques successifs dans le signal cardiaque 1 a.
Cette détection est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
Lorsque le signal cardiaque est un signal de type ECG (figure 3), le module 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux ondes R successives (figure 3) et pour construire en sortie du module une série chronologique, dite série « RR » et constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux ondes Ri, Rj+i successives.
Ceci n’est toutefois pas limitatif de l’invention. Dans le cas d’un signal cardiaque de type ECG, le module 2 peut également être adapté pour construire ladite série RR en utilisant les autres ondes de dépolarisation (P, Q, S ou T) du signal ECG, la précision étant toutefois moins bonne qu’en utilisant les ondes R du signal ECG.
Lorsque le signal cardiaque est un signal de pulsation cardiaque du type de celui de la figure 4, le module de traitement 2 est de préférence adapté pour détecter chaque intervalle de temps δti entre deux pics successifs Pi, Pi+1 (figure 4) caractéristiques de deux pulsations cardiaques successives et pour construire en sortie du module une série chronologique constituée d’une succession d’échantillons RRi, la valeur de chaque échantillon RRi étant égale à l’intervalle de temps δti entre deux pics Pi, Pi+1 successifs.
Dans le présent texte, quel que soit le type de signal cardiaque 1a, on désigne par « série RR » la série chronologique constituée d’une succession d’échantillons RRi dont la valeur est égale à l’intervalle de temps δti entre deux battements cardiaques successifs du signal cardiaque 1a.
A titre illustratif uniquement on a représenté sur la figure 5, un exemple de tachogramme d’une série RR en fonction du temps.
De manière optionnelle, le module 2 peut également comporter de manière connue en soi un ou plusieurs filtres permettant de filtrer le signal cardiaque 1 a délivré par le module d’acquisition 1 ou de filtrer la série RR avant de la fournir au module d’extraction 3, afin par exemple de supprimer et/ou corriger d’éventuels artéfacts présents dans le signal cardiaque 1a. Module d’extraction 3- Variables HRV
Le module d’extraction 3 permet d’extraire plusieurs variables HRV à partir d’une série RR fournie par le module de traitement 2.
Dans le présent texte, on désigne d’une manière générale par « variable HRV » toute variable caractéristique de la variation de la fréquence cardiaque et calculée à partir d’une pluralité d’intervalles de temps δti.
Cette extraction est de préférence réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
D’une manière générale, chaque variable HRV est calculée à partir de plusieurs échantillons RRi de la série RR.
Plus particulièrement, chaque variable HRV est calculée à partir de plusieurs échantillons RRi successifs pris sur un intervalle de temps prédéfini THRV .
Plus particulièrement, d’un point de vue pratique, chaque variable HRV est calculée à partir de plusieurs échantillons RRi successifs dans une première fenêtre temporelle glissante FHRV (figure 5) de largeur LHRV prédéfinie correspondant à cet intervalle de temps THRV, OU autrement dit à un nombre prédéfini d’échantillons RRi pris en compte dans la fenêtre temporelle glissante FHRV.
Pour implémenter cette fenêtre temporelle FHRvglissante, on peut par exemple mettre en œuvre un registre à décalage de type FIFO. La largeur LHRV de fenêtre temporelle glissante FHRV peut être différente d’une variable HRV à l’autre ou peut être la même pour plusieurs variables HRV ou peut être la même pour toutes les variables HRV.
Plus la fenêtre temporelle glissante FHRV est large, et plus le nombre d’échantillons RRi pris en compte pour le calcul de la variable HRV correspondante dans cette fenêtre temporelle glissante FHRV est important.
Le pas de glissement de la fenêtre temporelle glissante FHRV peut selon le cas être un pas d’un seul échantillon RRi ou un pas de plusieurs échantillons RRi.
De préférence, ce pas de glissement de la fenêtre temporelle glissante FHRV est inférieur à la largeur LHRV de la fenêtre temporelle glissante FHRV, c’est-à-dire inférieur au nombre d’échantillons RRi dans la fenêtre temporelle glissante FHRV.
Le pas de glissement de la fenêtre temporelle glissante FHRV peut être différent pour chaque variable HRV ou peut être le même pour plusieurs variables HRV ou peut être le même pour toutes les variables HRV.
Dans le cadre de l’invention, les variables HRV sont de préférence sélectionnées parmi celles énumérées ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers de variables HRV.
Liste des Variables HRV préférentielles
Dans le domaine temporel, les variables HRV préférentielles pour réaliser l’invention sont : HRmoy, RMSSD, VCT, VLT, SDNN, CSI.
HRmoy
Cette variable HRmoy est représentative de la moyenne de la fréquence cardiaque dans la fenêtre temporelle glissante FHRV.
Cette variable HRmoy exprimée en battements/minute peut de manière connue être calculée à partir d’une pluralité d’échantillons RRi(δti) dans la fenêtre temporelle glissante FHRV susvisée au moyen de la formule suivante:
HRmoy (battements/minute) =
Figure imgf000018_0001
dans laquelle :
- N est le nombre d’échantillons RRi(δti) dans la fenêtre glissante FHRV
- les intervalles de temps δti sont exprimés en secondes.
RMSSD
Cette variable HRV est la racine carrée de la moyenne des différences au carré entre les échantillons RRi(δti) successifs dans la fenêtre temporelle glissante FHRV.
VCT (Variabilité Court Terme)
Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité court-terme du rythme cardiaque.
VCT est calculée sur une série de RRi(δti) rééchantillonnée à 4hz. Elle analyse les différences de fréquence cardiaque moyenne entre deux époques courtes (par exemple de 3,75s) successives dans une fenêtre temporelle glissante FHRV d’une minute (soit 16 époques). VCT représente alors la moyenne de la valeur absolue de ces différences divisée par 2.
Elle peut être calculée au moyen de la formule suivante :
Figure imgf000019_0001
dans laquelle
Figure imgf000019_0002
et Xi représentent la fréquence cardiaque moyenne respectivement sur deux époques courtes (par exemple de 3,75s) successives.
VLT (Variabilité Long Terme)
Cette variable HRV avait été jusqu’à ce jour développée spécifiquement pour l’analyse du rythme cardiaque des fœtus et permet d’analyser la variabilité long-terme du rythme cardiaque.
Comme pour la variable VCT, la variable VLT est calculée sur une série de RRi(δti) rééchantillonnée à 4hz.
La VLT représente la différence entre la valeur minimale et la valeur maximale des fréquences cardiaques moyennes Xt calculées sur des époques (par exemple de 3,75s) successives dans une fenêtre temporelle glissante FHRV d’une minute.
SDNN
Cette variable HRV est l'écart-type des échantillons RRi(δti) dans la fenêtre temporelle glissante FHRV.
Elle peut être calculée au moyen de la formule suivante :
Figure imgf000020_0001
dans laquelle :
- N est le nombre d’échantillons RRi(δti) dans la fenêtre glissante FHRV
- M est la moyenne des intervalles de temps δti dans la fenêtre glissante FHRV.
CSI
Cette variable HRV est calculée au moyen de la formule : dans laquelle :
Figure imgf000020_0002
Figure imgf000020_0003
et
Figure imgf000020_0004
est l’écart-type des différences entre intervalles de temps successifs et dans la fenêtre temporelle glissante FHRV.
Figure imgf000020_0005
Figure imgf000020_0006
Dans le domaine fréquentiel, les variables HRV préférentielles pour l’invention sont les variables communément désignées HF, LF, HF/LF, LF/HF.
D’une manière générale, pour obtenir une variable HRV dans le domaine fréquentiel, notamment HF, LF, HF/LF, LF/HF, on réalise une étape supplémentaire intermédiaire de transformation dans le domaine fréquentiel du signal temporel RR, par exemple, et de manière non exhaustive, au moyen d’une transformée de Fourier rapide (FFT), d’une transformée en ondelettes ou d’un modèle autorégressif (ARMA) et on obtient un signal dans le domaine fréquentiel, sur lequel le calcul des variables HRV, notamment HF, LF, HF/LF, LF/HF est réalisé.
De manière connue, les variables HF et LF caractérisent la densité de puissance spectrale ou la puissance spectrale de la série d’échantillons RRi dans la fenêtre temporelle glissante FHRV susvisée, dans une bande de hautes fréquences, de préférence entre 0,15 Hz et 0,4 Hz pour la variable HF et dans une bande de basses fréquences, de préférence entre 0,04Hz et 0,15Hz pour la variable LF.
Ces variables HF et LF sont, de manière connue, obtenues à partir d’une intégration du signal (i.e. à partir du calcul de « l’aire sous la courbe » du signal) issu de la transformation du signal temporel RR dans le domaine fréquentiel, cette intégration étant réalisée dans une bande de fréquences qui est spécifique et différente pour chaque variable, et de préférence :
- pour la variable HF : bande de fréquences entre 0,15Hz et 0,4 Hz ;
- pour la variable LF : bande de fréquences entre 0,004Hz et 0,15Hz.
Autre variable : HR (Fréquence cardiaque instantanée)
De manière optionnelle, en plus des variables HRV caractéristiques de la variabilité de la fréquence cardiaque et calculées chacune à partir de plusieurs échantillons RRi, le module d’extraction 3 peut également, dans certaines variantes de réalisation, calculer et fournir au module de calcul 4 une variable additionnelle dite HR, qui n’est pas une variable HRV au sens du présent texte et de de l’invention, qui est calculée à partir d’un seul échantillon RRi, et qui est caractéristique de la fréquence cardiaque instantanée.
Cette variable HR exprimée par exemple en nombre de pulsations cardiaques par minute peut de manière connue être calculée à partir d’un seul échantillon RRi exprimé en secondes, au moyen de la formule suivante : HR (battements/minute) = 60/ δti
Module de calcul 4 - Agrégats
Le module 4 de calcul des agrégats est adapté pour calculer au moins un agrégat de direction pour une ou plusieurs variables HRV ou au moins un agrégat de forme pour une ou plusieurs variables HRV.
De préférence, le module 4 de calcul des agrégats est adapté pour calculer au moins un agrégat de direction pour une ou plusieurs variables HRV et au moins un agrégat de forme pour une ou plusieurs variables HRV
Dans certaines variantes de réalisation, le ou les agrégats de forme sont calculés pour des variables HRV différentes de celles utilisées pour le calcul du ou des agrégats de direction.
Dans certaines variantes de réalisation, un agrégat de direction et un agrégat de forme peuvent être calculés pour une même variable HRV.
Ce calcul d’agrégats est de préférence réalisé en temps réel pendant l’acguisition du signal cardiague 1a.
D’une manière générale, chague agrégat de direction et/ou chague agrégat de forme est calculé pour une variable HRV à partir de plusieurs valeurs discrètes successives HRVi de la variable HRV dans une deuxième fenêtre temporelle glissante FAgrégat de largeur LAgrégat prédéfinie.
Cette largeur LAgrégat de la fenêtre temporelle glissante FAgrégat correspond à un intervalle de temps TAgrégat ou autrement dit à un nombre prédéfini de valeurs discrètes HRVi prises en compte dans la fenêtre temporelle glissante FAgrégat.
Cette largeur LAgrégat de fenêtre temporelle glissante FAgrégat peut être différente d’une variable à l’autre, et le cas échéant pour une même variable peut être différente pour un agrégat de direction et pour un agrégat de forme.
Néanmoins, dans une variante préférée de réalisation, tous les agrégats (agrégat(s) de forme et agrégat(s) de direction) seront calculés pour toutes les variables HRV avec la même fenêtre temporelle glissante FAgrégat.
Plus la fenêtre temporelle glissante FAgrégat est large, et plus le nombre d’échantillons de la variable HRV pris en compte pour le calcul de l’agrégat de direction ou de forme dans cette fenêtre temporelle glissante FAgrégat est important.
Plus particulièrement, mais de manière non limitative de l’invention, l’intervalle de temps TAgrégat correspondant à la largeur de la fenêtre temporelle glissante FAgrégat sera de préférence d’au moins 30 secondes et de préférence inférieur ou égal à 10 minutes.
Le pas de glissement de la fenêtre temporelle glissante FAgrégat peut selon le cas être un pas d’un seul échantillon de la variable HRV ou un pas de plusieurs échantillons de la variable HRV.
De préférence, ce pas de glissement de la fenêtre temporelle glissante FAgrégat est inférieur à la largeur LAgrégat de la fenêtre temporelle glissante FAgrégat, c’est-à-dire inférieur au nombre d’échantillons de la variable HRV dans la fenêtre temporelle glissante FAgrégat.
Le pas de glissement de la fenêtre temporelle glissante FAgrégat peut être le même pour tous les agrégats ou peut être spécifique d’un agrégat.
De préférence, mais de manière facultative, afin de faciliter l’adaptation du procédé de détection de somnolence de l’invention à différents types d’applications, la largeur de la fenêtre temporelle glissante FAgrégat et/ou le pas de glissement de la fenêtre temporelle glissante FAgrégat sont réglables.
Pour implémenter la fenêtre temporelle glissante FAgrégat, on peut par exemple mettre en œuvre un registre à décalage de type FIFO.
De manière optionnelle, lorsque le module d’extraction 3 est adapté pour calculer également la variable HR susvisée, dans ce cas le module 4 de calcul peut également calculer un agrégat de direction pour la variable HR et/ou un agrégat de forme pour la variable HR à partir des valeurs discrètes (échantillons) HRi prises par cette variable HR dans une fenêtre temporelle glissante FAgrégat, et notamment à partir de plusieurs valeurs discrètes successives HRi de la variable HR dans une fenêtre temporelle glissante FAgrégat de largeur LAgrégat prédéfinie. Agrégats de direction
D’une manière générale un agrégat de direction est une variable, qui est calculée pour une variable HRV, et optionnellement pour la variable HR, à partir des valeurs discrètes (échantillons) de la variable HRV (ou HR), dans la fenêtre temporelle glissante FAgrégat, et qui définit la tendance (haussière, baissière, constante) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence, et plus particulièrement, un agrégat de direction est une variable dont le signe définit si la tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat est baissière ou haussière, et de préférence qui est nulle quand la tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat est constante.
De préférence, mais non nécessairement, la valeur absolue d’un agrégat de direction quantifie ladite tendance de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence les agrégats de direction peuvent être sélectionnés parmi les trois types particuliers d’agrégats de direction (« DIRECTION », « DELTA », « REGRESSION LINEAIRE ») détaillés ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers d’agrégats de direction.
« DIRECTION »
Cet agrégat est obtenu en calculant la différence entre la dernière et la première valeur de la variable HRV (ou HR) dans la fenêtre temporelle glissante F Agrégat
Lorsque cette différence est positive, la tendance de la variable HRV (ou HR) est haussière. Lorsque cette différence est négative, la tendance de la variable HRV (ou HR) est baissière.
« DELTA ».
La valeur absolue de cet agrégat est obtenue en calculant la différence entre la valeur maximale de la variable HRV (ou HR) et la valeur minimale de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat. Le signe de cet agrégat est par exemple obtenu à partir de la position chronologique de ladite la valeur maximale de la variable par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante FAgrégat. Lorsque la position chronologique dans la fenêtre temporelle glissante FAgrégat de la valeur maximale de la variable HRV (ou HR) est postérieure à la valeur minimale de la variable HRV (ou HR), le signe de l’agrégat de direction DELTA est positif, et la tendance de la variable HRV (ou HR) est haussière. Lorsque la position chronologique dans la fenêtre temporelle glissante FAgrégat de la valeur maximale de la variable HRV (ou HR) est antérieure à la valeur minimale de la variable HRV (ou HR), le signe de l’agrégat de direction DELTA est négatif, et la tendance de la variable HRV (ou HR) est baissière.
« REGRESSION LINEAIRE »
Cet agrégat est obtenu en calculant par régression linéaire, par exemple en utilisant la méthode des moindres carrés, la droite approximant l’ensemble des valeurs de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat, l’agrégat « REGRESSION LINEAIRE » étant la pente (coefficient directeur) de cette droite. Lorsque cette pente est positive, la tendance de la variable HRV (ou HR) est haussière. Lorsque cette pente est négative, la tendance de la variable HRV (ou HR) est baissière.
Agrégats de forme
D’une manière générale, un agrégat de forme est une variable qui est calculée à partir des valeurs discrètes (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat et qui quantifie la forme d’une distribution des échantillons (valeurs) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat .
De préférence les agrégats de forme peuvent être sélectionnés parmi les différents types particuliers d’agrégats de forme détaillés ci-après, étant précisé toutefois que l’invention n’est pas limitée à ces seuls exemples particuliers d’agrégats de forme.
Ecart-type L’écart-type mesure de manière connue en soi la dispersion de la distribution d’une variable.
Dans le cadre de l’invention l’écart-type (std) de la variable HRV (ou optionnellement HR) dans la fenêtre temporelle glissante FAgrégat peut être calculé au moyen de la formule suivante :
Figure imgf000026_0001
dans laquelle :
- A/ est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
Kurtosis
Le Kurtosis, encore communément appelé coefficient d’acuité ou coefficient d’aplatissement, mesure de manière connue en soi l’acuité de la distribution d’une variable.
Il existe plusieurs méthodes connues pour calculer le Kurtosis d’une variable.
Dans le cadre de l’invention le Kurtosis de la variable HRV dans la fenêtre temporelle glissante FAgrégat peut par exemple être calculé au moyen de la formule suivante :
Figure imgf000026_0002
dans laquelle :
- N est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs de la variable HRV(ou HR) dans la fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
- k2 est la variance des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat .
Skewness
Le Skewness encore communément appelé coefficient d’asymétrie mesure de manière connue en soi l’asymétrie de la distribution d’une variable.
Il existe plusieurs méthodes connues pour calculer le Skewness d’une variable.
Dans le cadre de l’invention, le Skewness de la variable HRV dans la fenêtre temporelle glissante FAgrégat peut être calculé au moyen de la formule suivante :
Figure imgf000027_0001
dans laquelle :
- N est le nombre de valeurs (échantillons) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ;
- xmoy est la moyenne des valeurs i de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat ; xi est la valeur de la variable HRV (ou HR) à la i-ème position dans la fenêtre temporelle glissante FAgrégat ;
- S est l’écart-type des échantillons de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
D’autres agrégats de forme peuvent également être dérivés du ou des agrégats de formes susvisé.
Par exemple et de manière non exhaustive, des agrégats de forme dérivés de l’écart-type (std) peuvent être calculés, tels que par exemple M/std ou std/M, M étant est la moyenne des valeurs HRVi (ou HRi) de la variable HRV (ou HR) dans la fenêtre temporelle glissante FAgrégat.
De préférence, l’invention peut être réalisée d’une part en utilisant au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement encore au moins quatre sélectionnées.
Il est préférable d’utiliser plusieurs variables HRV pour rendre la détection de somnolence encore plus fiable et plus universelle.
De préférence, pour une meilleure détection de la somnolence, le module d’extraction 3 est adapté pour extraire au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel.
De préférence, la ou les variables HRV sont choisies parmi la liste des variables HRV préférentielles susvisées (HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF), et le module 4 est adapté pour calculer, pour une ou plusieurs de ces variables HRV, un ou plusieurs agrégats de direction de préférence choisis parmi la liste des agrégats de direction susvisés (« DIRECTION », « DELTA », « REGRESSION LINEAIRE ») et pour calculer, pour une ou plusieurs de ces variables HRV, un ou plusieurs agrégats de forme de préférence choisis parmi la liste des agrégats de forme susvisés (std, Kurtosis, Skewness, M/std ou std/M).
A titre d’exemples préférentiels, mais non limitatifs et non exhaustifs de l’invention, on a synthétisé dans les deux tableaux A et B suivants l’évolution de certains agrégats préférentiels pour certaines variables HRV, avant l’apparition d’une somnolence, cette évolution pouvant être analysée par l’algorithme de détection de somnolence pour détecter le plus tôt possible une somnolence d’un individu. Tableau A : Agrégats - Variables HRV dans le domaine temporel
Figure imgf000029_0001
Tableau B : Agrégats - Variables HRV dans le domaine fréquentiel
Figure imgf000030_0001
L’utilisation de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV permet avantageusement de réaliser une détection de somnolence fiable, sans qu’il soit indispensable d’utiliser en complément d’autres dispositifs de détection de somnolence ou d’utiliser en complément des signaux physiologiques autres que le signal cardiaque 1a. Le système de détection de somnolence de l’invention pourra donc avantageusement être utilisé pour la détection de somnolence, à partir uniquement du ou des agrégats de direction et/ou du ou des agrégats de forme, sans nécessiter d’autres dispositifs détection ou sans nécessiter l’acquisition de signaux physiologiques autres que le signal cardiaque 1 a. Néanmoins, dans le cadre de l’invention, le système de détection de somnolence de l’invention peut également être utilisé en complément avec d’autres dispositifs de détection connus, tels que par exemple des dispositifs de détection basés sur l’analyse du clignement des yeux, des dispositifs de détection basés sur l’analyse comportementale de l’individu, des dispositifs de détection basés sur l’analyse des mouvements du véhicule, ou des dispositifs de détection de somnolence utilisant des signaux physiologiques autres qu’un signal cardiaque.
Par ailleurs, comparativement à des solutions de détection de somnolence utilisant directement les variables HRV pour la détection de somnolence, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement de réaliser une détection de somnolence, qui est plus universelle, c’est-à-dire qui n’est pas dépendante ou spécifique d’un individu.
Au surplus, l’utilisation conformément à l’invention de variables HRV et d’agrégat(s) de direction calculés pour une ou plusieurs de ces variables HRV et/ou d’agrégat(s) de forme calculés pour une ou plusieurs de ces variables HRV peut permettre avantageusement dans de nombreux cas de réaliser une détection de somnolence précoce, c’est-à-dire de détecter un début de somnolence, bien avant la phase dans laquelle l’individu est endormi.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant préférentiellement comme variables HRV, au moins les variables LF, HF, HF/LF, LF/HF, et plus préférentiellement en calculant au moins un agrégat de direction pour chacune de ces variables HRV.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant préférentiellement comme variables HRV, au moins les variables HF et HRmoy, et en calculant au moins un agrégat de forme pour chacune de ces variables HRV ou en en utilisant préférentiellement la variable HR et plusieurs variables HRV dont au moins la variable HF et en calculant au moins un agrégat de forme pour chacune de ces variables HR et HF.
De préférence, mais non nécessairement, la détection de somnolence est réalisée en utilisant plusieurs variables HRV, dont au moins préférentiellement la variable HF, et en calculant au moins un agrégat de direction et au moins un agrégat de forme pour cette variable H F.
Module de détection de somnolence 5
Les différents agrégat(s) de forme et/ou agrégat(s) de direction sont fournis comme variables d’entrée au module de détection de somnolence 5.
D’une manière générale, le module de détection de somnolence 5 exécute un algorithme de détection qui permet la détection de la somnolence de l’individu à partir de ces agrégats.
Cette détection de somnolence est réalisée en temps réel pendant l’acquisition du signal cardiaque 1a.
Plus particulièrement mais non nécessairement, la détection par le module 5 est réalisée en utilisant le ou les agrégats de direction et/ou le ou les agrégats de forme comme variables de test dans un arbre de décision, tel que par exemple celui de la figure 6, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu.
A la racine (NO) de l’arbre de détection et à chaque nœud (N1 , N2, N3,..) de l’arbre de décision au moins l’un des agrégats issus du module 4 de calcul d’agrégats ( agrégat de forme ou agrégat de direction ) est comparé à un seuil prédéfini (S0, S1 , S2, ... ).
La structure particulière de l’arbre de décision de la figure 6 est fournie à titre d’exemple uniquement et n’est pas limitatif des structures d’arbres de décision pouvant être mis en œuvre.
L’algorithme prédictif pour la détection de somnolence peut également mettre en œuvre la technique connue d’apprentissage automatique dite « random forest », qui effectue un apprentissage sur de multiples arbres de décision entraînés sur des sous-ensembles de données (variables HRV et agrégat(s) de direction et agrégat(s) de forme) différents.
Bien que la mise en œuvre d’un algorithme basé sur un ou plusieurs arbres de décision soit préférentielle, l’invention peut néanmoins également être mise en œuvre en utilisant d’autres type d’algorithmes prédictifs, tels que par exemple et de manière non exhaustive, un algorithme basé sur un réseau de neurones, un réseau neuronal convolutif, une régression logistique, ou tout autre modèle d’intelligence artificielle.
Module d’alerte 6
Le module de détection de somnolence 5 communique avec le module d’alerte 6 afin de le tenir informé, en temps réel et pendant l’acquisition du signal cardiaque 1a, de la somnolence ou non de l’individu.
Le module d’alerte 6 est adapté pour déclencher automatiquement une action, dès qu’il est informé d’un état de somnolence de l’individu par le module de détection de somnolence 5.
Cette action est par exemple le déclenchement d’un signal d’alarme visuel et/ou sonore et/ou mécanique (par exemple vibrations) dans l’environnement de l’individu, de manière à avertir au moins l’individu de son état de somnolence, afin que celui-ci puisse prendre les mesures (par exemple interruption de la conduite et repos) nécessaires au rétablissement de sa vigilance.

Claims

REVENDICATIONS Procédé de détection de la somnolence d’un individu comprenant :
(a) une acquisition d’un signal cardiaque (1a) de l’individu au moyen d’au moins un capteur,
(b) un traitement de ce signal cardiaque permettant la détection des intervalles de temps (δti) entre battements cardiaques successifs,
(c) une extraction, à partir desdits intervalles de temps (êti) entre battements cardiaques successifs, d’une ou plusieurs variables HRV différentes caractéristiques de la variabilité de la fréquence cardiaque, chaque variable HRV étant obtenue à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs,
(d) un calcul d’au moins un agrégat de direction pour une ou plusieurs desdites variables HRV, chaque agrégat de direction étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat), et qui caractérise la tendance de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat), et/ou un calcul d’au moins un agrégat de forme pour une ou plusieurs desdites variables HRV, chaque agrégat de forme étant une variable, qui est calculée à partir des valeurs de la variable HRV dans une fenêtre temporelle glissante (FAgrégat) et quantifiant la forme d’une distribution des valeurs de la variable HRV dans cette fenêtre temporelle glissante (FAgrégat),
(e) un traitement du ou des agrégats de direction et/ou du ou des agrégats de forme par un algorithme de détection permettant la détection de la somnolence de l’individu. Procédé selon la revendication 1 , dans lequel les étapes (b) à (e) du procédé de l’invention sont réalisées pendant l’étape (a) d’acquisition du signal cardiaque (1 a). Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins deux variables HRV différentes, de préférence au moins trois variables HRV différentes, et plus préférentiellement au moins quatre variables HRV différentes. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins une variable HRV dans le domaine temporel et au moins une variable HRV dans le domaine fréquentiel. Procédé selon l’une quelconque des revendications précédentes, dans lequel la ou les variables HRV sont choisies parmi les variables HRV de la liste suivante : HRmoy, RMSSD, VCT, VLT, SDNN, CSI, HF, LF, HF/LF, LF/HF. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins les variables LF et HF, et on calcule à l’étape (d) au moins un agrégat de direction pour chacune de ces variables. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) au moins les variables HF et HRmoy, et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait à l’étape (c) plusieurs variables HRV, dont au moins la variable HF, et on calcule à l’étape (d) au moins un agrégat de direction et au moins un agrégat de forme pour cette variable HF. Procédé selon l’une quelconque des revendications précédentes, dans lequel on extrait également à l’étape (c) une variable HR caractéristique de la fréquence cardiaque instantanée et calculée à partir d’un seul intervalle de temps (δti) entre deux battements cardiaques successifs et dans lequel à l’étape (d) on calcule au moins un agrégat de direction, à partir des valeurs de la variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit agrégat de direction caractérisant la tendance de la variable HR dans cette fenêtre temporelle glissante (FAgrégat) et/ou au moins un agrégat de forme, à partir des valeurs de cette variable HR dans une fenêtre temporelle glissante (FAgrégat), ledit un agrégat de forme quantifiant la forme d’une distribution des valeurs de la variable HR dans cette fenêtre temporelle glissante (FAgrégat). Procédé selon la revendication 9, dans lequel on extrait à l’étape (c) la variable HR et plusieurs variables HRV dont au moins la variable HF et on calcule à l’étape (d) au moins un agrégat de forme pour chacune de ces variables HR et HF. Procédé selon l’une quelconque des revendications précédentes, dans lequel un agrégat de direction est une variable dont le signe définit si la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est baissière ou haussière, de préférence qui est nulle quand la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat) est constante, et plus préférentiellement encore dont la valeur absolue quantifie la tendance de la variable (HRV ou HR) dans ladite fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un (« DIRECTION ») des agrégats de direction est calculé à partir de la différence entre la dernière et la première valeur de la variable dans la fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le signe d’au moins un (« DELTA ») agrégat de direction est calculé à partir de la position chronologique de la valeur maximale de la variable dans la fenêtre temporelle glissante (FAgrégat) par rapport à la position chronologique de ladite valeur minimale de la variable dans la fenêtre temporelle glissante (FAgrégat), et de préférence la valeur absolue de cet agrégat de direction (« DELTA ») est calculée à partir de la différence entre ladite valeur maximale de la variable et ladite valeur minimale de la variable. Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un («REGRESSION LINEAIRE ») des agrégats de direction est calculé à partir de la pente de la droite obtenue par régression linéaire sur les valeurs de la variable dans la fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel au moins un des agrégats de forme est calculé à partir au moins de l’un des coefficients suivants : coefficient d’acuité (Kurtosis) d’une distribution de la variable, coefficient d’asymétrie (Skewness) d’une distribution de la variable, écart-type (std) de la variable. Procédé selon l’une quelconque des revendications précédentes, dans lequel la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) d’au moins 30 secondes. Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (FAgrégat) correspond à un intervalle de temps (TAgrégat) inférieur ou égal à 10 minutes. Procédé selon l’une quelconque des revendications précédentes, dans lequel, la largeur de la fenêtre temporelle glissante (FAgrégat) est réglable. Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de chaque agrégat de direction est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de chaque agrégat de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le calcul de tous les agrégats de direction et/ou de forme est effectué avec la même fenêtre temporelle glissante (FAgrégat). Procédé selon l’une quelconque des revendications précédentes, dans lequel le pas de glissement de la fenêtre temporelle glissante (FAgrégat) est réglable. Procédé selon l’une quelconque des revendications précédentes, dans lequel l’étape (e) comprend l’utilisation du ou des agrégats de direction et/ou du ou des agrégats de forme comme variables de test dans au moins un arbre de décision, avec un classement automatique, en sortie de l’arbre de décision, du signal cardiaque comme étant caractéristique (S) d’une somnolence de l’individu ou non caractéristique (E) d’une somnolence de l’individu. Procédé selon l’une quelconque des revendications précédentes, dans lequel à l’étape (c), chaque variable HRV est obtenue dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (êtj) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV). Système de détection de la somnolence comportant un module d’acquisition (1 ) d’un signal cardiaque (1 a) d’un individu, un module (2) de traitement du signal cardiaque (1a), adapté pour réaliser l’étape (b) du procédé de détection de l’une quelconque des revendications précédentes, un module d’extraction (3) adapté pour réaliser l’étape (c) du procédé de détection de l’une quelconque des revendications précédentes, un module de calcul (4) adapté pour réaliser l’étape (d) du procédé de détection de l’une quelconque des revendications précédentes, et un module (5) de traitement du ou des agrégats de direction et/ou du ou des agrégats de forme calculés par le module de calcul (4), lequel module de traitement (5) est adapté pour détecter la somnolence de l’individu à partir de ces agrégats. Utilisation du système de détection de la revendication 25 pour détecter la somnolence d’un individu, et de préférence la somnolence d’un individu conduisant un véhicule. Produit programme informatique comprenant des instructions de code de programme et permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser au moins l’étape (d), de préférence au moins les étapes (d) et (e), du procédé de détection de l’une quelconque des revendications 1 à 24. Produit programme informatique selon la revendication 27, permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de réaliser également les étapes (a) à (c) du procédé de détection de l’une quelconque des revendications 1 à 24. Produit programme informatique selon la revendication 27 ou 28, permettant, lorsqu’il est exécuté par une ou plusieurs unités de traitement électroniques, de calculer à l’étape (c) chaque variable HRV dans le domaine temporel ou fréquentiel à partir de plusieurs intervalles de temps (δti) entre battements cardiaques successifs dans une fenêtre temporelle glissante (FHRV).
PCT/EP2021/071126 2020-08-17 2021-07-28 Procede et systeme de detection de la somnolence d'un individu WO2022037914A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP21754765.2A EP4196008A1 (fr) 2020-08-17 2021-07-28 Procede et systeme de detection de la somnolence d'un individu
US18/041,603 US20230293072A1 (en) 2020-08-17 2021-07-28 Method and system for detecting drowsiness of an individual

Applications Claiming Priority (6)

Application Number Priority Date Filing Date Title
FRFR2008528 2020-08-17
FR2008530A FR3113369B1 (fr) 2020-08-17 2020-08-17 Procede et systeme de detection de la somnolence d’un individu
FRFR2008529 2020-08-17
FRFR2008530 2020-08-17
FR2008528A FR3113370B1 (fr) 2020-08-17 2020-08-17 Procede et systeme de detection de la somnolence d’un individu
FR2008529A FR3113368B1 (fr) 2020-08-17 2020-08-17 Procede et systeme de detection de la somnolence d’un individu

Publications (1)

Publication Number Publication Date
WO2022037914A1 true WO2022037914A1 (fr) 2022-02-24

Family

ID=77317014

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2021/071126 WO2022037914A1 (fr) 2020-08-17 2021-07-28 Procede et systeme de detection de la somnolence d'un individu

Country Status (3)

Country Link
US (1) US20230293072A1 (fr)
EP (1) EP4196008A1 (fr)
WO (1) WO2022037914A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9955925B2 (en) 2015-12-18 2018-05-01 Microsoft Technology Licensing, Llc Drowsiness onset detection
US20180365961A1 (en) * 2017-06-19 2018-12-20 Toyota Motor Engineering & Manufacturing North America, Inc. Providing safe and fast mobility while detecting drowsiness
US20190008434A1 (en) 2017-07-04 2019-01-10 Panasonic Intellectual Property Management Co., Ltd. Drowsiness detecting device, drowsiness detecting method, and program recording medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9955925B2 (en) 2015-12-18 2018-05-01 Microsoft Technology Licensing, Llc Drowsiness onset detection
US20180365961A1 (en) * 2017-06-19 2018-12-20 Toyota Motor Engineering & Manufacturing North America, Inc. Providing safe and fast mobility while detecting drowsiness
US20190008434A1 (en) 2017-07-04 2019-01-10 Panasonic Intellectual Property Management Co., Ltd. Drowsiness detecting device, drowsiness detecting method, and program recording medium

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
"Heart rate variability - Standards of measurement, physioligical interpetation, and clinical use", EUROPEAN HEART JOURNA, vol. 17, March 1996 (1996-03-01), pages 354 - 381
BABAEIAN ET AL., IEEE GREEN ENERGY AND SYSTEMS CONFÉRENCE, 6 November 2016 (2016-11-06)
BABAEIAN MOHSEN ET AL: "Driver Drowsiness Detection Algorithms Using Electrocardiogram Data Analysis", 2019 IEEE 9TH ANNUAL COMPUTING AND COMMUNICATION WORKSHOP AND CONFERENCE (CCWC), IEEE, 7 January 2019 (2019-01-07), pages 1 - 6, XP033530430, DOI: 10.1109/CCWC.2019.8666467 *
BABAEIAN MOHSEN ET AL: "Real time driver drowsiness detection using a logistic-regression-based machine learning algorithm", 2016 IEEE GREEN ENERGY AND SYSTEMS CONFERENCE (IGSEC), IEEE, 6 November 2016 (2016-11-06), pages 1 - 6, XP033027462, DOI: 10.1109/IGESC.2016.7790075 *
BERGASA, L.M.NUEVO, J.SOTELO, M.A.BAREA, R.LOPEZ, M.E: "Real-time system for monitoring driver vigilance", IEEE TRANS. INTELL. TRANSPORT. SYST., vol. 7, 2006, pages 63 - 77, XP055008572, DOI: 10.1109/TITS.2006.869598
HU, S.ZHENG, G: "Driver drowsiness détection with eyelid related parameters by support vector machine", EXP. SYST. APPL., vol. 36, 2009, pages 7651 - 7658, XP026654060, DOI: 10.1016/j.eswa.2008.09.030
KHUSHABA, R.NKODAGODA, S.LAL, S.DISSANAYAKE, G: "Driver drowsiness classification using fuzzy wavelet-packet-based feature-extraction algorithm", IEEE TRANS. BIOMED. ENG., vol. 58, 2011, pages 121 - 131, XP011372848, DOI: 10.1109/TBME.2010.2077291
SAHAYADHAS, A.SUNDARAJ, K.MURUGAPPAN, M.: "Detecting driver drowsiness based on sensors: a review", SENSORS, vol. 12, no. 12, 2012, pages 16937 - 16953, XP055248542, DOI: 10.3390/s121216937
ZHANG, Z.ZHANG, J.: "A new real-time eye tracking based on nonlinear unscented Kalman filter for monitoring driver fatigue.", J. CONTR. THEOR. APPL., vol. 8, 2010, pages 181 - 188

Also Published As

Publication number Publication date
US20230293072A1 (en) 2023-09-21
EP4196008A1 (fr) 2023-06-21

Similar Documents

Publication Publication Date Title
EP3110321B1 (fr) Procédé, dispositif, système et programme informatique de filtrage d'une série rr obtenue a partir d'un signal cardiaque avec contrôle automatique de la qualité de la série rr
EP3478169A1 (fr) Procédé de détection d'au moins un trouble du rythme cardiaque
EP1804655A1 (fr) Procede de traitement d'une serie rr et son application a l'analyse de la variabilite du rythme cardiaque, et en particulier a l'evaluation de la douleur ou du stress chez un etre vivant
WO2018002541A1 (fr) Dispositif de détection d'au moins un trouble du rythme cardiaque
WO2019180393A1 (fr) Méthode de génération d'un indicateur d'état d'une personne dans le coma
EP1513444B1 (fr) Traitement frequentiel d'une serie rr dans un signal cardiaque analogique
FR3028741A1 (fr) Dispositif de mesure du rythme cardiaque du conducteur d’un vehicule
EP3593709B1 (fr) Procédé de détermination de l'état de stress d'un individu
EP3678541A1 (fr) Systeme d'evaluation de la maturation d'un bebe premature
EP3160336B1 (fr) Dispositif de traitement de données de rythme cardiaque foetal, méthode et programme d'ordinateur correspondant
EP4031005B1 (fr) Système de détermination d'une émotion d'un utilisateur
EP4196008A1 (fr) Procede et systeme de detection de la somnolence d'un individu
FR3064463A1 (fr) Procede de determination d'un ensemble d'au moins un descripteur cardio-respiratoire d'un individu pendant son sommeil et systeme correspondant.
FR3113370A1 (fr) Procede et systeme de detection de la somnolence d’un individu
EP3110322A1 (fr) Procede et dispositif de contrôle automatique de la qualite d'une serie rr obtenue a partir d'un signal cardiaque
FR3113368A1 (fr) Procede et systeme de detection de la somnolence d’un individu
EP4027874B1 (fr) Procédé de détermination du taux respiratoire
FR3113369A1 (fr) Procede et systeme de detection de la somnolence d’un individu
FR2561902A1 (fr) Procede de traitement automatique de signaux electro-oculographiques
WO2022064425A1 (fr) Équipement électrodermal
EP3048948A1 (fr) Procédé, système et programme d'ordinateur pour la détection et la caractérisation de clignements oculaires par électro-encéphalographie
FR3063628A1 (fr) Dispositif et procede de mesure d’un parametre physiologique et apprentissage statistique

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: 21754765

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2021754765

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021754765

Country of ref document: EP

Effective date: 20230317