WO2022153010A1 - Méthode et dispositif de détermination d'un cycle de marche - Google Patents

Méthode et dispositif de détermination d'un cycle de marche Download PDF

Info

Publication number
WO2022153010A1
WO2022153010A1 PCT/FR2022/050068 FR2022050068W WO2022153010A1 WO 2022153010 A1 WO2022153010 A1 WO 2022153010A1 FR 2022050068 W FR2022050068 W FR 2022050068W WO 2022153010 A1 WO2022153010 A1 WO 2022153010A1
Authority
WO
WIPO (PCT)
Prior art keywords
gait
data
segments
signature
sensor system
Prior art date
Application number
PCT/FR2022/050068
Other languages
English (en)
Inventor
Pierre DROUIN
Lise BELLANGER
Aymeric Stamm
Laurent CHEVREUIL
Vincent GRAILLOT
Original Assignee
Umanit
Nantes Université
Centre National De La Recherche Scientifique
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Umanit, Nantes Université, Centre National De La Recherche Scientifique filed Critical Umanit
Publication of WO2022153010A1 publication Critical patent/WO2022153010A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A61B5/1122—Determining geometric values, e.g. centre of rotation or angular range of movement of movement trajectories
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • 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
    • A61B5/4842—Monitoring progression or stage of a disease
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip
    • 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
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Definitions

  • the present invention relates to a device and a method making it possible to analyze a person's gait by deducing the person's own gait signature.
  • the gait signature determined according to the present invention makes it possible in particular to qualify the quality of gait of a person using a visual parameter in the form of a curve accompanied by one or more values drawn from the curve.
  • the gait signature could for example be used by a healthcare professional as an additional indicator of the person's health.
  • the gait signature could for example find an interest in the follow-up of patients with neurological pathologies affecting gait such as multiple sclerosis.
  • Patent application US 2018/0020969 describes a device and a method for analyzing the displacement of a segment of a person's body, for example of the leg. This patent application suggests placing several sensors on the person's body to improve the precision of the measurement and does not teach how to obtain a characteristic value of the person's gait.
  • EP3603505 describes a system and a method for detecting adjustment movement sections.
  • the movements considered are, for example, walking, climbing stairs or making a turn by a patient or a robot. To do this, it is described to compare between them two different sections of the same time series and to measure a value of resemblance. Based on the resemblance value, the type of adjustment movement operated by the patient is finally determined.
  • US 2013/0131555 describes a method for analyzing the gait of a patient whose gait may be greatly impaired, from at least one sensor performing angular velocity measurements. The start of the walking cycle is defined by the detection of the point of inversion of the angular velocity. For this, it is described to classify then to select only the phases of positive rotation which meet certain selection criteria.
  • the present invention is a method for determining a gait signature of a person, from a time series of data, the data being for example quaternions, each datum being representative of a position or an orientation of a sensor system measured over time, the method comprising: a segmentation step, the segmentation step comprising the following intermediate steps: - identifying the local extrema of the data series, - determine between two successive local extrema whether it is a posterior rotation phase or an anterior rotation phase, - form segments consisting of a first phase corresponding to a posterior rotation followed by a second phase corresponding to a previous rotation, a selection step which consists in selecting the segments which correspond to a gait cycle, a step of calculating the gait signature from r of the selected segments.
  • the position of the sensor system is given for example by coordinates of a three-axis frame of reference of the sensor system expressed in a fixed three-axis frame of reference, aligned for example with the terrestrial frame of reference.
  • the orientation of the sensor system is preferably given by any mathematical representation of a rotation in 3 dimensions, and preferably using unit quaternions.
  • the data of the time series of data are the result of calculations of the absolute orientation of the system of sensors with respect to a fixed reference frame, said calculation being carried out by a data fusion algorithm of various sensors, unlike methods using acceleration or angular velocity data measured from accelerometers, gyroscopes or magnetometers alone as in the invention described in document US 2013/0131555.
  • Sensors such as accelerometers, gyroscopes or magnetometers are subject to noise and lead to inaccurate estimates of parameters such as their raw orientation from their data alone, where the fusion of data from several sensors embedded in the same device allows a more precise estimation of the orientation of said device.
  • Such a method is quick and easy to implement. It makes it possible to determine a characteristic parameter of a person's gait. Such a parameter can be considered as a biomarker helping to determine the severity of a pathology, for example MS, and its impact on walking. From this biomarker, the clinician is in fact able to quantify the quality of a person's gait and, for example, to compare it with reference measurements.
  • the sensor system may comprise a three-axis local frame of reference, the type of rotation phase between a first extremum and a second extremum which is subsequent to the first extremum, is determined according to the angle formed between a first and a second axis, the first axis being considered at the time corresponding to the occurrence of the first extrema and the second axis being considered at the time corresponding to the occurrence of the second extrema.
  • the fact of identifying segments consisting of a sequence of two rotation phases, said rotation phases being in opposite directions and occurring in a similar order, from a single system of sensors worn by the individual allows precise and repeatable measurement over time of the gait signature of the individual with a limited hardware footprint.
  • the selection step may comprise a step which consists in applying a linear spherical interpolation to each segment so that each segment formed in the segmentation step comprises the same number of data items.
  • the interpolation makes it possible to regularize the number of elements per segment and improves the comparability of the segments with each other.
  • the number of elements that a segment contains can be predetermined. This number can be set for example at 50, 100, or 200 elements depending on the accuracy and the calculation time desired by the user.
  • the selection step can also include a step consisting in aligning the segments with each other from a transformation carried out by a method called "K-mean partitioning on functional data" (or "K-mean alignment" in English).
  • the step of calculating the gait signature may consist in calculating the average of the segments corresponding to gait cycles.
  • the determination of the mean of the segments corresponding to walking cycles is advantageously carried out at the same time as the step of selection by construction of the method of “partitioning into K-means”.
  • the running signature Once the running signature has been calculated, it can be normalized so that it is no longer a function of time but is expressed as a percentage of the total duration of the cycle.
  • Expressing a walking signature as a percentage of the total duration of the cycle makes it easier to compare walking signatures of different durations with each other.
  • the method may also comprise a prior processing step in order to detect and eliminate potential measurement artefacts.
  • the sensor system may comprise a 3-axis accelerometer, a 3-axis gyrometer, a 3-axis magnetometer or any combination of these sensors.
  • the sensor system comprises a 3-axis accelerometer and a 3-axis gyrometer.
  • Such a sensor allows precise measurement of the relative orientation vector of the sensor system, in all running directions. The measurement can be made while the person is walking in all directions.
  • the person is not limited to walking in a straight line (i.e. in a two-dimensional plane).
  • the measurement frequency of the sensor system can be fixed so as to be sufficient for the determination of the gait cycle.
  • the frequency can be fixed so as to respect at least the Shannon criterion.
  • the frequency is at least 50Hz, preferably 100Hz.
  • the sensor system can be placed at the hip of the person, for example attached to a belt. Thus, the system does not disturb the patient and does not impact his walk.
  • the invention relates to a method for aiding the evaluation of the pathology which comprises the method for determining a gait cycle described above.
  • the present invention advantageously makes it possible to give a new parameter which quantifies the quality of walking of an individual. , for example suffering from a disease such as multiple sclerosis.
  • a healthcare professional can thus add the gait signature of his patient as a health parameter to his medical assessment.
  • a person's gait signature could be used directly in the diagnosis made by the healthcare professional.
  • the invention also relates to a computer program comprising instructions for implementing the method of the invention, when this program is executed by a processor.
  • the invention relates to a non-transitory recording medium readable by a computer on which is recorded a program for the implementation of the method according to the invention when this program is executed by a processor.
  • the invention relates to a device for determining a gait signature of a person comprising a system of sensors composed of a 3-axis accelerometer and a 3-axis gyrometer, a system for processing information configured to implement the method described above, and a preferably Bluetooth communication system.
  • FIG.1 shows a typical walk cycle of a person
  • Fig.2 shows the measurement of the orientation of the sensor system with respect to a fixed frame of reference
  • Fig.3 shows an example of data measured by the sensor system
  • Fig.4 shows an example of data including measurement artefacts (changes in the direction of rotation or Sense rotation changes in English) and the appropriate correction of these artefacts
  • Fig.5 [0039] [Fig.
  • FIG. 5 shows an example of data including measurement artefacts (sporadic drift) and the appropriate correction of these artefacts;
  • Fig.6 [0040] [Fig.6] illustrates the steps consisting in detecting local extrema; Fig.7 [0041] [Fig.7] shows an example of a running signature; Fig.8 [0042] [Fig. 8] shows an example of gait signature with alignment post-processing. Description of the embodiments [0043] The walking cycle [0044] Reference is now made to FIG. 1.
  • FIG. 1 is a diagram illustrating a walking cycle. [0045] Walking is a cyclical phenomenon that allows an individual to move. It can therefore be broken down into cycles corresponding to a sequence of similar movements over time.
  • a gait cycle corresponds to all the movements performed by the body between two instants when the body is in an equivalent position (for example, contact of the left heel on the ground). It can also be broken down into two phases: a swinging phase of one foot (for example the right foot) towards the front of the body (also called anterior half-step), and a phase of bearing the foot on the ground (also called posterior half-step).
  • a certain number of spatio-temporal parameters can describe the gait cycle: mean duration of the complete cycle, angular velocities of the segments mobilized, relative duration of the half-steps, force applied to the ground, angle between the various segments, etc.
  • the present invention makes it possible to determine a gait signature equivalent to a biomarker characteristic of an individual's gait, sensitive to the various types of damage and to their severity using a system of sensors.
  • the sensor system advantageously comprises a 3-axis gyroscope and a 3-axis accelerometer.
  • the sensor system can include other sensors such as a thermometer, a light intensity sensor, a proximity sensor, a barometer, etc.
  • the sensor system of the present invention is for example the sensor system marketed by the company Mbientlab under the name MetaMotionR Sensor®.
  • the sensor system can comprise a communication device, for example via a Bluetooth protocol or via wifi.
  • the data measured by the sensor can be directly communicated to a computer, a tablet or a smartphone of the user (for example the clinician or the patient).
  • the data returned by the sensor system are in particular those providing information on the three-dimensional orientation of the sensor system with respect to a fixed frame of reference over time.
  • the data returned by the sensor system is preferably preprocessed by a data fusion algorithm.
  • the data measured by the system of sensors can be in the form of a time series, the data of which are expressed for example using unit quaternions qts(s), consisting of S elements.
  • Time series data can also be expressed in Cartesian coordinates in 3-dimensional space.
  • the use of quaternions makes it possible in particular to facilitate and accelerate rotation calculations in a 3-dimensional Euclidean space.
  • the sensor system defines a fixed frame of reference, represented in the form of an orthonormal reference frame R fix (x fix , y fix , z fix ), and itself has an orthonormal frame of reference Rcapt (xcapt, ycapt, zcapt) as represented in FIG. 2.
  • the representation of the orientation of the system of sensors at a time t(s) corresponds to the transformation to be applied to the fixed reference frame R fix so that the axes of fixed frame of reference Rfix are collinear with those of the frame of reference of the sensor Rcapt(s).
  • This transformation corresponds to a rotation of angle ⁇ (s) around an axis identified by a three-dimensional vector v(s).
  • FIG. 3 illustrates an example of data measured by the sensor and represented in the form of quaternions, as a function of time. There are four curves obtained which correspond to the evolution of the four components of the unit quaternions.
  • the sensor system is preferably fixed at the level of the person's hip.
  • the sensor system is for example attached to a belt.
  • the system is in this case easy to implement and does not bother the person.
  • the sensor system can be attached to the person's knee or foot.
  • the sensor system can then be fixed to the person using an elastic band or a fixing system, for example the mechanical fixing system by hooks and loops, metonymically called Velcro®.
  • the sensor system is advantageously placed at the hip of the individual but it can be located on any other part of the body as long as its movements are cyclical and involve rotations in opposite directions between the two phases. walk cycle.
  • the person may be asked to walk for a predetermined time during which the measurement of the walking signature is carried out. The person can therefore, during a visit to the doctor, be equipped with the sensor system, it is then asked to walk around the room for a predetermined time, for example one minute, the time for the sensor system to take a sufficient number of data for the determination of the gait signature to be representative of the person's gait.
  • the sensor system of the present invention can also be entrusted to the person.
  • the measurement can be carried out almost continuously.
  • the person then does not need to go to the doctor.
  • the person being at home and the sensor system being in operation the doctor can still receive in real time the data collected by the sensor system thanks to the communication system.
  • the doctor can thus be informed in real time of the state of health of the person and adapt his diagnosis and his treatment according to the evolution of the measured gait signature of the person.
  • the invention relates to a method for determining a gait signature of a person, from a time series of data, the data being for example quaternions, each datum being representative of the orientation of a sensor system measured over time, the method comprising: /i/ a segmentation step, the segmentation step comprising the following intermediate steps: - identify the local extrema of the data series, - determine between two successive local extrema whether it is a posterior rotation phase or an anterior rotation phase, - form segments consisting of a posterior rotation phase and of a successive anterior rotation phase, /ii/ a selection step which consists in selecting the segments which correspond to gait cycles, /iii/ a step of calculating the gait signature from the selected segments ctioned.
  • the raw data returned by the sensor system may be in the form of a time series composed of S elements (S is a positive integer), each element being expressed either using Cartesian coordinates or preferably by unit quaternions.
  • S is a positive integer
  • unit quaternions such as: [0069]
  • ⁇ (s) and v(s) refer respectively to the angle and to the vector of the rotation between the orientation of the sensor measured at time s and to a reference orientation, for example aligned with the terrestrial reference.
  • Each qts(s) element is associated with the time t(s) at which the qts(s) measurement was made.
  • the raw data returned by the sensor system can be subject to various artefacts specific to the sensor system or induced by the user during the measurement.
  • the method of the present invention may comprise a preliminary step which consists in removing the artifacts from the time series of data returned by the system of sensors.
  • the artefacts occurring at the time of the measurement can be divided into two main families: 1. the artefacts due to the direction of the rotation calculated between the fixed frame of reference and the frame of reference of the sensor, called Rotation Sense Changes; and 2.
  • the calibration phase may consist of rotating the sensor system between several positions at relatively regular time intervals to calibrate the various sensors of the sensor system, for example the accelerometer and gyrometer, then moving the sensor system in several directions to calibrate the magnetometer in the event that a magnetometer is present in the sensor system.
  • Correction of the direction of rotation (Rotation Sens Changes)
  • Artifacts of the Rotation direction changes type occur when the rotation between the frame of reference of the sensor R capt and the fixed frame of reference R fix is close to 180°. Let R(s) and R(s+1) be two rotations between R fix and R capt calculated at a time t(s) and at a time t(s+1), these two rotations being in opposite directions.
  • ⁇ (s) and v(s) respectively be the angle and rotation vector associated with R(s) and ⁇ (s+1) and v(s+1) respectively the angle and rotation vector associated with R(s+1), then ⁇ (s) ⁇ ⁇ (s+1) and v(s+1) ⁇ -v(s).
  • preliminary stage for correcting Rotation direction change artefacts can therefore include a stage for calculating the scalar product of two successive temporal data qts(s) and qts(s+1), expressed according to two unit quaternions.
  • scalar the quaternion qts(s+1) is replaced by its opposite in order to correct Rotation Sens Changes type artefacts
  • Figure 4 presents on its left an example of a time series of data expressed using quaternions
  • Figure 4 presents artifacts of Rotation Sens Changes type measurements. x, y and z of the unit quaternion.
  • Sporadic discontinuities correspond to a sudden change of fixed frame of reference Rfix between two successive data. Correcting this artefact amounts to recalculating the orientation of the sensor measured during the acquisition phase from a constant fixed frame of reference.
  • distpre(s) dist( qts(s) , qts(s-1) ) the distance between an element qts(s) of the time series and the preceding element qts(s-1) calculated for s ⁇ ⁇ 2 ...S ⁇ , the Q1 and Q3 quartiles of distpre are calculated.
  • Segmentation step The method of determining a walking signature of a person of the present invention, from a time series of data, the data being for example quaternions, each datum being representative of the orientation of a sensor system measured over time, comprises a first segmentation step.
  • the segmentation step comprises a first sub-step consisting in identifying the local extrema of the time series.
  • a gait cycle is made up of two phases, (i) the support phase which begins with placing a given foot on the ground and ends with the lifting of this same foot, and (ii) the phase of swing that begins with the lifting of the foot and ends with the pose of this foot. The movements of the leg therefore take place in opposite directions between the stance phase and the swing phase.
  • the movement of the leg moves its orientation away from that observed at time t(s end ) and brings it closer to that observed at time t(s init ). Due to its position, the orientation of the sensor system follows the same pattern during a gait cycle. The segmentation of the signal is based on these observations. The objective here is to identify the times that may correspond to a transition between two walking phases.
  • the smax element is called Maximum Local. The principle of the method applied to detect these points is presented in figure 6.
  • the first local maximum denoted srupt(1) is defined by default as the first point of the series (first black point in figure 6).
  • the distance between this first point and all the points belonging to the search window sw materialized by the black dotted lines in figure 6) is calculated according to the following equation: [0101] [Math.3] [0102]
  • the local maximum srupt(2) is defined as follows: [0103] [Math.4] [0104]
  • the search window sw then takes the new values defined by: [0105] [Math.5]
  • the local maximum of the new window sw is defined by the same method as in the previous step. This search phase repeats iteratively until the search window reaches the end of the data time series.
  • the set of maxima found (or break points) constitute a vector of M local maxima denoted s break (m) with m ⁇ ⁇ 1...M ⁇ , M being a positive integer.
  • the segmentation step further comprises a step consisting in determining between two successive local extrema whether it is a posterior rotation phase or an anterior rotation phase.
  • the M local maxima determined above correspond to changes in the direction of rotation of the sensor. Some of these local maxima delimit time intervals corresponding to gait cycle phases (rocking phase or stance phase).
  • xcapt(s), ycapt(s) and zcapt(s) be the coordinates of the vectors x, y and z of the sensor reference frame Rcapt observed at time s and expressed in the coordinate system of the fixed reference frame Rfix.
  • srupt(m) and srupt(m+1) are successive local maxima srupt(m) and srupt(m+1).
  • the rotational movement of the sensor takes place mainly around an axis collinear with zcapt(s), for s ⁇ ⁇ srupt(m) ... srupt(m+1) ⁇ .
  • srupt(m) and srupt(m+1) delimit a swing phase
  • the leg performs an anterior rotation movement. From the point of view of the sensor, the axis xcapt(s) approaches the axis ycapt(srupt(m)) during this phase. At the end of this phase, the angle between xcapt(srupt(m+1)) and ycapt(srupt(m)) is less than 90°. This condition is verified by the following inequality: [0111] [Math.6] Conversely, if s break (m) and s break (M+1) delimit a stance phase, the leg performs a posterior rotational movement.
  • the x-axis capt (s) moves away from the y-axis capt (s break (m)) during this phase.
  • the angle formed between the axis x capt (s break (m+1)) and y capt (k break (m)) is greater than 90°.
  • This condition is verified by the following inequality: [0113] [Math.7] From these observations, it is thus possible to determine what type of rotation is observed between 2 successive local maxima s break (m) and s break (m+1).
  • the segmentation step then comprises another sub-step consisting in forming segments consisting of a successive posterior rotation phase and an anterior rotation phase (or the reverse).
  • RotType Once the local maxima have been defined.
  • the qts time series can be segmented from the constituted breakpoints corresponding to the local maxima srupt and the types of rotation observed between the time intervals they delimit, recorded in RotType.
  • the objective is to obtain segments corresponding to complete gait cycles, consisting of a stance phase followed by a swing phase.
  • the method of the present invention thus consists in identifying the posterior rotation phases followed by an anterior rotation phase among the rotation phases listed in RotType (or the reverse).
  • the posterior rotation phase m is delimited by the local maxima srupt(m) and srupt(m+1) and the anterior rotation phase by the local maxima srupt(m+1) and srupt(m+2).
  • the segment corresponding to the walking cycle will therefore be delimited by the local maxima srupt(m) and srupt(m+2).
  • the method for determining a gait signature of the present invention comprises a step consisting in selecting the segments which correspond to a gait cycle.
  • the segmentation of the initial data set from the previously determined breakpoints leads to the formation of J segments Seg(j), with j from 1 to J.
  • a segment Seg(j) corresponds to a time series describing a period consisting of a posterior rotation phase followed by an anterior rotation phase (or vice versa).
  • a segment Seg(j) is composed of S j elements.
  • Each segment Seg(j) can for example correspond to a time series composed of S j unit quaternions in the case where the time data measured by the sensor system are quaternions: qts j (s), s ⁇ ⁇ 1 ... S j ⁇ . , a qts j (s) element corresponding to a unit quaternion.
  • the selection of segments corresponding to walking cycles can comprise intermediate steps such as: - a step of removing outliers, - a step of reorienting the segments, - a step consisting in regulating the number of elements by segment, - a segment alignment step.
  • Outlier Removal Step This step can make it possible to remove the errors linked either to the sensor or to the walking of the patient, for example when the patient makes a U-turn.
  • Walking is assumed to be sufficiently regular for several walking cycles measured in the same individual to be similar, whether in terms of movement or duration. During the selection of segments corresponding to walk cycles, some segments may have been incorrectly selected and not correspond to walk cycles.
  • These segments are outliers that need to be removed from the dataset, they are called outliers. These outliers can be suppressed based on their duration, amplitude and/or shape. Different methods for removing outliers can therefore be implemented in the selection step. Considering that the movements observed during a gait cycle are similar between several gait cycles performed by the same individual, the two-by-two distance between all the segments Seg(j) can be calculated, the segments straying too far from a predetermined distance then being considered as outliers and deleted. The distance between all segments Seg(j) 2 to 2 can for example be calculated by the method called Quaternion Dynamic Time Warping (Bartosz Jablonski. Quaternion dynamic time warping.
  • the method of the present invention may comprise one or more outlier removal steps.
  • the removal of outliers can be done at the beginning or at the end of the selection step.
  • one or more outlier removal steps can be performed at different intermediate steps of the selection step.
  • the same outlier removal step can also be performed multiple times.
  • the segments denoted Seg(j) correspond to the segments formed by the method previously described, from which the segments considered as outliers have been removed, and J corresponds to the number of segments formed not corresponding to outliers.
  • Reorientation of the segments [0132] To improve the comparability of the segments measured during different gait data acquisition sessions, the orientation measured by the system of sensors can advantageously be expressed from an equivalent fixed reference between segments.
  • the orientation of the sensor system can be calculated for a segment Seg(j) by considering as the fixed reference frame the reference frame corresponding to the orientation qtsj(1) observed at the first time tj(1) of the segment.
  • the orientation at time tj(s) of a segment Seg(j) from the reference frame observed at the first time of this segment is obtained according to the following formula: [0134]
  • the segments reoriented according to this method correspond to the orientation of the sensor system calculated from their initial orientation, ie at the moment of placing the foot on the ground in the case of segments corresponding to compound walking cycles a posterior rotation phase followed by an anterior rotation phase.
  • Regularization of the number of elements per segment To improve the comparability of the segments, the number of points per segment can be standardized. The number of points per segment can be fixed at a predetermined value, for example between 1 and 500, preferably 101, making it easier to express the segments as a percentage of a cycle.
  • the regularized segments Seg reg (j) of size corresponding to the predetermined value are preferably calculated from the segments Seg(j) by linear spherical interpolation.
  • Alignment of the segments [0140] In order to allow better comparability of the segments with one another and to identify potential remaining outliers, the segments can be aligned. This transformation consists in expanding or compressing the time scale of each of the segments in order to minimize the calculated distance between each of the segments. This step can for example be carried out according to a known method of K-mean alignment on functional data and preferably adapted to unit quaternions.
  • a new series hereinafter called WalkingCycle ⁇ WalkingCycle(j), j ⁇ J ⁇ is obtained.
  • the WalkingCycle series is composed of the remaining J segments, the segments can be considered as walking cycles.
  • a WalkingCycle(j) element corresponds to a time series of unit quaternions qtsj(s), s ⁇ ⁇ 1 ... 101 ⁇ in the case where the number of data per segment has been fixed at 101, a qtsj(s) element of a WalkingCycle(j) cycle of the WalkingCycle series preferably being a unit quaternion, representing the orientation of the sensor system calculated from its first observed orientation in the cycle.
  • the method for determining a gait signature of the present invention finally comprises a step consisting in calculating the gait signature from the selected segments.
  • the walking signature can advantageously be calculated using a so-called K-mean alignment method on functional data where the value of K is fixed at 1.
  • the center c obtained after convergence of the stable state can be called Mean Cycle and corresponds to the walking signature.
  • Additional steps In order to be able to compare the cycles and average cycles obtained during different acquisition sessions of the same individual or of the gait signatures of different individuals, the gait signatures may still undergo some processing.
  • This data set consists of a segment selected according to the method of the present invention and measured in an individual, for example in the form of a time series of unit quaternions qtst(s), s ⁇ ⁇ 1 ... 101 ⁇ , in the case where the number of segment data has been set to 101.
  • the element of qtst corresponding to the orientation farthest from the initial orientation qtst(1) is defined by the following formula: [ 0153] [Math.9] It corresponds to the orientation obtained by the greatest rotation (ie that with the greatest angle value) of the initial orientation of the selected segment.
  • the vector v max [v max1 , v max2 , v max3 ] is obtained by the same method as v tmax .
  • the rotation between v tmax and v max is calculated and is denoted q ct .
  • v(s) [0, v(s)] be the vector of the rotation qts(s) , s ⁇ ⁇ 1 ... 101 ⁇ preferably represented as a pure imaginary quaternion, and ⁇ (s) the angle of this rotation.
  • the vectors v(s) are conjugated by the rotation q jt : [0155] [Math.10] [0156]
  • the Average Cycle, corresponding to a time series qts(s) is realigned by calculating the new values of the quaternions qts(s) , s ⁇ ⁇ 1 ... 101 ⁇ by the formula: [0157] [Math.11] All of the WalkingCycles qtsj can be reoriented by applying the same calculation method. They then form the ReorientedWalkingCycle set, made up of reoriented walking cycles.
  • FIG. 8 shows reoriented and flattened step signatures.
  • FIG. 8 presents a walking signature expressed according to quaternions.
  • the walking signature is therefore a curve given for each component of the unit quaternion.
  • the running signature would be a curve expressed according to the three axes of a Cartesian coordinate system.
  • the running signature is advantageously at least one curve.
  • the at least one curve can also be accompanied by one or more characteristic figures thereof.
  • the present invention thus makes it possible to determine the characteristic gait signature of an individual, in this sense it is equivalent to a biomarker which can help a clinician to carry out a diagnosis.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Veterinary Medicine (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

La présente invention concerne un dispositif et une méthode permettant d'analyser la marche d'une personne en déduisant la signature de marche propre à la personne. La signature de marche déterminée d'après la présente invention permet notamment de qualifier la qualité de marche d'une personne à l'aide d'un paramètre visuel se présentant sous la forme d'une courbe accompagnée d'une ou plusieurs valeurs tirées de la courbe.

Description

Description Titre : Méthode et dispositif de détermination d'un cycle de marche Domaine technique [0001] La présente invention concerne un dispositif et une méthode permettant d'analyser la marche d'une personne en déduisant la signature de marche propre à la personne. La signature de marche déterminée d'après la présente invention permet notamment de qualifier la qualité de marche d'une personne à l'aide d'un paramètre visuel se présentant sous la forme d'une courbe accompagnée d'une ou plusieurs valeurs tirées de la courbe. La signature de marche pourrait par exemple être utilisée par un professionnel de santé comme un indicateur supplémentaire de la santé de la personne. La signature de marche pourrait par exemple trouvée un intérêt dans le suivi de patients atteints de pathologies neurologiques affectant la marche telles que la sclérose en plaques. Technique antérieure [0002] La capacité à marcher joue un rôle prépondérant dans l'autonomie et la vie quotidienne d'un individu. La marche résulte d'un processus biomécanique complexe faisant intervenir un large spectre de fonctions et structures qui interagissent les unes avec les autres : fonctions neurologiques, sensorielles, osseuses, musculaires, etc. De par cette complexité, plusieurs pathologies d'origines différentes (mécanique, neurologique, psychologique, etc.) peuvent être responsables de la dégradation de la fonction de marche en altérant une ou plusieurs de ces fonctions. Les nombreuses altérations possibles des fonctions et structures responsables de la marche d'un individu sont sources d'autant de symptômes différents d'une atteinte de la marche. Cette complexité dans les symptômes et dans les profils de patients entraîne donc une difficulté à évaluer la dégradation de la marche de manière objective par une mesure reflétant à la fois le type d'atteinte et sa sévérité. [0003] Plusieurs tests cliniques existent déjà pour évaluer les troubles de la marche. Ils consistent le plus souvent en un diagnostic dépendant de l'observation réalisée par un clinicien. L'observation visuelle du clinicien aboutit à une mesure non quantitative ou une mesure semi-quantitative qui dépend de l'expérience du clinicien et ne reflète qu'un aspect de la dégradation de la marche. [0004] Il est par exemple important de pouvoir correctement étudier la marche d'un patient atteint de la sclérose en plaques (SEP). Un patient atteint de SEP doit se rendre une à deux fois par an en consultation chez un neurologue. Les tests pour évaluer sa capacité à marcher consistent généralement à mesurer le temps nécessaire au patient pour parcourir une distance fixée ou la distance qu'il peut parcourir pendant une certaine durée. Ces tests constituent une mesure peu précise et n'ont lieu que lors des consultations. [0005] D'autres méthodes d'analyse complète de la marche telles que l'analyse quantitative de la marche, permettent un profilage complet de la démarche de l'individu. Ils impliquent cependant l'utilisation d'outils numériques et d'un matériel qui peut vite s'avérer coûteux et encombrant, et nécessitent la mise en place d'un laboratoire dédié dans lequel le patient doit se rendre pour effectuer un grand nombre de tests. Ce type d'examen est donc difficilement intégrable dans le suivi de l'évolution de la pathologie au cours du temps, qui implique de tester le patient de façon régulière (parfois plusieurs fois par an). [0006] La demande de brevet EP2646776 décrit un système et une méthode permettant de calculer des paramètres représentatifs d'un mouvement d'au moins deux membres d'une chaîne articulée, par exemple une jambe. Toutefois, cette demande de brevet n'enseigne pas comment obtenir une valeur caractéristique de la marche de la personne. En outre, cette demande de brevet nécessite pour la mesure des paramètres un grand nombre de données telles que les dimensions des parties qui composent la chaîne articulée (par exemple la longueur du tibia) pour modéliser cette dernière. Enfin, cette demande de brevet suggère d'utiliser un grand nombre de capteurs afin d'améliorer la précision de la mesure. [0007] La demande de brevet US 2018/0020969 décrit un dispositif et une méthode pour analyser le déplacement d'un segment du corps d'une personne, par exemple de la jambe. Cette demande de brevet suggère de placer plusieurs capteurs sur le corps de la personne pour améliorer la précision de la mesure et n'enseigne pas comment obtenir une valeur caractéristique de la marche de la personne. [0008] EP3603505 décrit un système et une méthode permettant de détecter des sections de mouvement d'ajustement. Les mouvements considérés sont par exemple la marche, la monté d'un escalier ou la réalisation d'un tournant par un patient ou un robot. Pour ce faire, il est décrit de comparer entre elles deux sections différentes d'une même série temporelle et d'en mesurer une valeur de ressemblance. Sur la base de la valeur de ressemblance, le type de mouvement d'ajustement opéré par le patient est finalement déterminé. [0009] US 2013/0131555 décrit une méthode pour analyser la marche d'un patient dont la marche peut être fortement altérée, à partir d'au moins un capteur effectuant des mesures de vitesse angulaire. Le début du cycle de marche est défini par la détection du point d'inversion de la vitesse angulaire. Pour cela, il est décrit de classifier puis de ne sélectionner que les phases de rotation positive qui répondent à certains critères de sélection. [0010] Même si les documents EP3603505 et US 2013/0131555 traitent des cycles de marche, ils n'effectuent cependant aucuns calculs qui permettent d'obtenir une signature de marche caractéristique d'un patient. [0011] Aucune des solutions décrites dans ces demandes de brevet ne suggèrent l'analyse du cycle de marche d'une personne afin d'en déduire une signature de marche dont le médecin pourra tenir compte afin de poser un diagnostic. Il y a donc un manque de solution permettant la mesure d'un paramètre caractéristique de la marche de l'individu, représentatif du type d'atteinte de la marche et sensible à sa sévérité, et dont la mesure est réalisée par un dispositif qui puisse être utilisé aisément dans le cadre d'un suivi médical. Résumé de l'invention [0012] Selon un premier aspect, la présente invention est une méthode de détermination d'une signature de marche d'une personne, à partir d'une série temporelle de données, les données étant par exemple des quaternions, chaque donnée étant représentative d'une position ou d'une orientation d'un système de capteurs mesurée au cours du temps, la méthode comprenant: une étape de segmentation, l'étape de segmentation comprenant les étapes intermédiaires suivantes : - identifier les extrema locaux de la série de données, - déterminer entre deux extrema locaux successifs s'il s'agit d'une phase de rotation postérieure ou une phase de rotation antérieure, - former des segments constitués d'une première phase correspondant à une rotation postérieure suivie d'une deuxième phase correspondant à une rotation antérieure, une étape de sélection qui consiste à sélectionner les segments qui correspondent à un cycle de marche, une étape de calcul de la signature de marche à partir des segments sélectionnés. [0013] La position du système de capteurs est donnée par exemple par des coordonnées d'un référentiel à trois axes du système de capteurs exprimées dans un référentiel fixe à trois axes, aligné par exemple sur le référentiel terrestre. [0014] L'orientation du système de capteurs est donnée de préférence par toute représentation mathématique d'une rotation en 3 dimensions, et de préférence à l'aide de quaternion unitaire. [0015] Selon un mode de réalisation, les données de la série temporelle de données sont le résultat de calculs de l'orientation absolue du système de capteurs par rapport à un référentiel fixe, ledit calcul étant réalisé par un algorithme de fusion de données de plusieurs capteurs, contrairement aux méthodes faisant appel aux données d'accélération ou de vitesse angulaire mesurée à partir de seuls accéléromètres, gyroscope ou magnétomètre comme dans l'invention décrite dans le document US 2013/0131555. Les capteurs comme les accéléromètres, gyroscopes ou magnétomètres sont sujets aux bruits et conduisent à des estimations peu précises de paramètres tels que leur orientation brute à partir de leurs seules données, là où la fusion des données de plusieurs capteurs embarqués dans un même dispositif permet une estimation plus précise de l'orientation dudit dispositif. [0016] Une telle méthode est rapide et facile à mettre en œuvre. Elle permet de déterminer un paramètre caractéristique de la marche d'une personne. Un tel paramètre peut être considéré comme un biomarqueur aidant à la détermination de la sévérité d'une pathologie, par exemple de la SEP, et de son impact sur la marche. A partir de ce biomarqueur, le clinicien est en effet en mesure de quantifier la qualité de la marche d'une personne et par exemple, de la comparer avec des mesures de référence. [0017] Le système de capteurs peut comprendre un référentiel local à trois axes, le type de phase de rotation entre un premier extrémum et un deuxième extrémum qui est subséquent au premier extrémum, est déterminé d'après l'angle formé entre un premier et un second axe, le premier axe étant considéré au temps correspondant à l'occurrence du premier extrema et le second axe étant considéré au temps correspondant à l'occurrence du deuxième extrema. [0018] Le fait d'identifier des segments constitués d'un enchaînement de deux phases de rotations, lesdites phases de rotation étant de sens opposés et survenant dans un ordre similaire, à partir d'un unique système de capteurs porté par l'individu, permet une mesure précise et répétable dans le temps de la signature de marche de l'individu avec un encombrement matériel limité. [0019] L'étape de sélection peut comprendre une étape qui consiste à appliquer une interpolation sphérique linéaire à chaque segment de sorte que chaque segment constitué à l'étape de segmentation comprenne le même nombre de données. [0020] L'interpolation permet de régulariser le nombre d'éléments par segment et améliore la comparabilité des segments entre eux. Le nombre d'éléments que contient un segment peut être prédéterminé. Ce nombre peut être fixé par exemple à 50, 100, ou 200 éléments en fonction de la précision et du temps de calcul souhaité par l'utilisateur. [0021] L'étape de sélection peut également comprendre une étape consistant à aligner les segments entre eux à partir d'une transformation réalisée par une méthode dit du « partitionnement en K-moyennes sur données fonctionnelles » (ou «K-mean alignment » en anglais). Cette nouvelle étape permet d'améliorer encore la comparabilité des segments entre eux. [0022] L'étape de calcul de la signature de marche peut consister à calculer la moyenne des segments correspondant à des cycles de marches. La détermination de la moyenne des segments correspondants à des cycles de marches est avantageusement effectuée en même temps que l'étape de sélection par construction de la méthode de « partitionnement en K-moyennes ». [0023] Une fois la signature de marche calculée, elle peut être normalisée de sorte qu'elle ne soit plus fonction du temps mais qu'elle soit exprimée en pourcentage de la durée total du cycle. [0024] Exprimer une signature de marche en pourcentage de la durée total du cycle permet de faciliter la comparaison de signatures de marches de durées différentes entre elles. En effet, il est alors possible de comparer des signatures de marche mesurées chez un même individu à des dates différentes ou chez des individus ayant des cadences de marche différentes, i.e. dont les durées des cycles de marche vont différer. [0025] La méthode peut comprendre en outre une étape préalable de traitement afin de détecter et supprimer les potentiels artefacts de mesure. [0026] Le système de capteurs peut comprendre un accéléromètre 3 axes, un gyromètre 3 axes, un magnétomètre 3 axes ou une combinaison quelconque de ces capteurs. De préférence, le système de capteur comprend un accéléromètre 3 axes et un gyromètre 3 axes. [0027] Un tel capteur permet une mesure précise du vecteur d'orientation relative du système de capteur, dans toutes les directions de marche. La mesure peut être effectuée alors que la personne marche dans toutes les directions. En particulier, la personne n'est pas limitée à une marche en ligne droite (c'est-à-dire dans un plan en deux dimensions). [0028] La fréquence de mesure du système de capteurs peut être fixée de sorte à être suffisante pour la détermination du cycle de marche. En particulier, la fréquence peut être fixée de sorte à respecter au moins le critère de Shannon. A titre illustratif, la fréquence est d'au moins 50Hz, de préférence 100Hz. [0029] Le système de capteurs peut être placé au niveau de la hanche de la personne, par exemple fixé à une ceinture. Ainsi, le système ne gêne pas le patient et n'impact pas sa marche. [0030] Selon un autre aspect, l'invention concerne une méthode d'aide à l'évaluation de la pathologie qui comprend la méthode de détermination d'un cycle de marche décrite ci-avant comprenant en outre la comparaison de la signature de marche à des signatures de marche de référence, notamment pour l'évaluation de la dégradation de la marche dans le cas de maladie neuro-dégénérative. [0031] A partir des comparaisons entre les signatures de marche mesurées d'après la méthode de la présente invention et des cycles de marche de référence, la présente invention permet avantageusement de donner un nouveau paramètre qui quantifie la qualité de marche d'un individu, par exemple atteint d'une maladie telle que la sclérose en plaque. Un professionnel de santé peut ainsi ajouter à son évaluation médicale la signature de marche de son patient comme paramètre de santé. Dans l'idéal, la signature de marche d'une personne pourrait être utilisée directement dans le diagnostic posé par le professionnel de santé. [0032] Selon un autre aspect, l'invention concerne aussi un programme informatique comportant des instructions pour la mise en œuvre du procédé de l'invention, lorsque ce programme est exécuté par un processeur. De même, l'invention concerne un support d'enregistrement non transitoire lisible par un ordinateur sur lequel est enregistré un programme pour la mise en œuvre du procédé selon l'invention lorsque ce programme est exécuté par un processeur. [0033] Enfin, l'invention concerne un dispositif de détermination d'une signature de marche d'une personne comprenant un système de capteurs composé d'un accéléromètre 3 axes et d'un gyromètre 3 axes, un système de traitement de l'information configuré pour mettre en œuvre la méthode décrite ci-avant, et un système de communication de préférence Bluetooth. Brève description des dessins [0034] D'autres caractéristiques, détails et avantages apparaîtront à la lecture de la description détaillée ci-après, et à l'analyse des dessins annexés, sur lesquels : Fig.1 [0035] [Fig.1] montre un cycle de marche classique d'une personne ; Fig.2 [0036] [Fig.2] montre la mesure de l'orientation du système de capteurs par rapport à un référentiel fixe ; Fig.3 [0037] [Fig.3] montre un exemple de données mesurées par le système de capteurs ; Fig.4 [0038] [Fig. 4] montre un exemple de données comprenant des artefacts de mesures (changements du sens de rotation ou Sense rotation changes en anglais) et la correction appropriée de ces artefacts; Fig.5 [0039] [Fig. 5] montre un exemple de données comprenant des artefacts de mesures (dérive sporadique ou Sporadic drift en anglais) et la correction appropriée de ces artefacts; Fig.6 [0040] [Fig.6] illustre les étapes consistant à détecter des extrema locaux ; Fig.7 [0041] [Fig.7] montre un exemple de signature de marche ; Fig.8 [0042] [Fig. 8] montre un exemple de signature de marche avec post-traitement d'alignement. Description des modes de réalisation [0043] Le cycle de marche [0044] Il est maintenant fait référence à la figure 1. La figure 1 est un schéma illustrant un cycle de marche. [0045] La marche est un phénomène cyclique qui permet à un individu de se déplacer. Elle peut donc être décomposée en cycles correspondants à un enchaînement de mouvements similaires au cours du temps. Un cycle de marche correspond à tous les mouvements effectués par le corps entre deux instants où le corps est à une position équivalente (par exemple, contact du talon gauche au sol). Il peut également être décomposé en deux phases : une phase de balancement d'un pied (par exemple le pied droit) vers l'avant du corps (encore appelé demi-pas antérieur), et une phase d'appui du pied au sol (encore appelé demi-pas postérieur). [0046] Un certain nombre de paramètres spatio-temporels peuvent décrire le cycle de marche : durée moyenne du cycle complet, vitesses angulaires des segments mobilisés, durée relative des demi-pas, force appliquée au sol, angle entre les différents segments, etc. [0047] Un très grand nombre d'organes et de tissus interviennent pendant la marche d'un individu : os, muscles, cartilages, tendons, ligaments, système nerveux moteur et sensitif, etc.. Toute atteinte d'un de ces organes ou tissus peut avoir un impact d'intensité variable sur le cycle de marche (claudication, ralentissement de la cadence de pas, changement dans le rapport temps de phase d'appui/phase de balancement du pied, déséquilibre, asymétrie entre les mouvements des jambes gauche et droite etc.). [0048] La présente invention permet de déterminer une signature de marche équivalente à un biomarqueur caractéristique de la marche d'un individu, sensible aux différents types d'atteintes et à leur gravité à l'aide d'un système de capteurs. [0049] Le système de capteurs [0050] Le système de capteurs comprend avantageusement un gyroscope 3 axes et un accéléromètre 3 axes. Le système de capteurs peut comprendre d'autres capteurs tels un thermomètre, un capteur d'intensité lumineuse, un capteur de proximité, un baromètre, etc . [0051] Le système de capteurs de la présente invention est par exemple le système de capteurs commercialisé par la société Mbientlab sous la dénomination MetaMotionR Sensor®. [0052] Le système de capteurs peut comprendre un dispositif de communication, par exemple via un protocole Bluetooth ou via le wifi. Dans ce cas, les données mesurées par le capteur peuvent être directement communiquées à un ordinateur, une tablette ou un smartphone de l'utilisateur (par exemple le clinicien ou le patient). [0053] Les données renvoyées par le système de capteurs sont notamment celles renseignant l'orientation en trois dimensions du système de capteurs par rapport à un référentiel fixe au cours du temps. Les données renvoyées par le système de capteurs sont de préférence prétraitées par un algorithme de fusion de données. [0054] Les données mesurées par le système de capteurs peuvent se présenter sous la forme d'une série temporelle dont les données sont exprimées par exemple à l'aide de quaternions unitaires qts(s), constitués de S éléments. Les données de la série temporelle peuvent aussi être exprimées selon des coordonnées cartésiennes dans un espace à 3 dimensions. [0055] Les quaternions unitaires forment un ensemble de nombres super-complexes, généralisation en quatre dimensions des nombres complexes (i.e. nombres écrits sous la forme c = w + xi). Un quaternion q est écrit sous la forme : q = w + xi + yj + zk, où les nombres i, j et k sont des nombres complexes, respectant les règles de calcul suivantes : i² = j² = k² = ijk = −1. [0056] Un quaternion peut être décomposé en deux parties : q = [w, v] = [w, (x, y, z)], où w = Re(q) est appelée partie réelle ou scalaire du quaternion et v = Im(q) est appelée partie vectorielle ou imaginaire du quaternion. Les quaternions pour lesquels Re(q) = 0 sont appelés imaginaires purs, ceux pour lesquels Im(q) = (0, 0, 0) sont les nombres réels. [0057] L'utilisation des quaternions permet notamment de faciliter et d'accélérer les calculs de rotation dans un espace euclidien à 3 dimensions. [0058] Pour calculer son orientation, le système de capteurs définit un référentiel fixe, représenté sous la forme d'un repère orthonormé Rfix (xfix, yfix, zfix), et dispose lui-même d'un référentiel orthonormé Rcapt (xcapt, ycapt, zcapt) comme représenté en figure 2. [0059] La représentation de l'orientation du système de capteurs à un temps t(s) correspond à la transformation à appliquer au référentiel fixe Rfix de sorte que les axes du référentiel fixe Rfix soient colinéaires avec ceux du référentiel du capteur Rcapt(s). Cette transformation correspond à une rotation d'angle θ(s) autour d'un axe repéré par un vecteur à trois dimensions v(s). Cette rotation peut-être avantageusement représentées sous la forme d'un quaternion unitaire qts(s) = [w(s), (x(s), y(s), z(s))], où w(s)=cos(θ(s)/2) et (x(s), y(s), z(s)) = v(s).sin(θ(s)/2). [0060] La figure 3 illustre un exemple de données mesurées par le capteur et représentées sous la forme de quaternions, en fonction du temps. Il y a quatre courbes obtenues qui correspondent à l'évolution des quatre composantes des quaternions unitaires. Bien entendu, même si l'utilisation de quaternions rend l'expression des rotations plus aisées, il n'est pas nécessaire de les employer ; il serait tout aussi possible d'obtenir les courbes des différentes figures en utilisant par exemple des vecteurs de rotation exprimés dans un espace euclidien à 3 dimensions. [0061] Le système de capteurs est de préférence fixé au niveau de la hanche de la personne. Le système de capteurs est par exemple fixé à une ceinture. Le système est dans ce cas facile à mettre en œuvre et ne gêne pas la personne. De même, le système de capteurs peut être fixé au niveau du genou ou du pied de la personne. Le système de capteurs peut alors être fixé à la personne à l'aide d'une bande élastique ou d'un système de fixation par exemple le système de fixation mécanique par crochets et boucles, dit métonymiquement Velcro®. [0062] Le système de capteurs est avantageusement placé au niveau de la hanche de l'individu mais il peut être localisé sur n'importe quelle autre partie du corps tant que ses mouvements sont cycliques et impliquent des rotations de sens opposés entre les deux phases de cycle de marche. [0063] Afin de déterminer la signature de marche d'une personne, il peut être demandé à la personne de marcher pendant un temps prédéterminé durant lequel la mesure de la signature de marche est effectuée. La personne peut donc, lors d'une visite chez le médecin, être équipée du système de capteurs, il lui est alors demandé de parcourir la pièce pendant un temps prédéterminé, par exemple une minute, le temps pour le système de capteurs de prendre un nombre de données suffisant pour que la détermination de la signature de marche soit représentative de la marche de la personne. [0064] Le système de capteurs de la présente invention peut également être confié à la personne. Dans ce cas, la mesure peut être effectuée quasi-continûment. La personne n'a alors pas besoin de se déplacer chez le médecin. La personne étant chez elle et le système de capteurs étant en fonctionnement, le médecin peut tout de même recevoir en temps réel les données collectées par le système de capteurs grâce au système de communication. Le médecin peut ainsi être informé en temps réel de l'état de santé de la personne et adapter son diagnostic et son traitement en fonction de l'évolution de la signature de marche mesurée de la personne. [0065] La méthode de détermination du cycle de marche [0066] Selon un premier aspect, l'invention concerne une méthode de détermination d'une signature de marche d'une personne, à partir d'une série temporelle de données, les données étant par exemple des quaternions, chaque donnée étant représentative de l'orientation d'un système de capteurs mesurée au cours du temps, la méthode comprenant: /i/ une étape de segmentation, l'étape de segmentation comprenant les étapes intermédiaires suivantes : - identifier les extrema locaux de la série de données, - déterminer entre deux extrema locaux successifs s'il s'agit d'une phase de rotation postérieure ou une phase de rotation antérieure, - former des segments constitués d'une phase de rotation postérieure et d'une phase de rotation antérieure successives, /ii/ une étape de sélection qui consiste à sélectionner les segments qui correspondent à des cycles de marche, /iii/ une étape de calcul de la signature de marche à partir des segments sélectionnés. [0067] Les données brutes renvoyées par le système de capteurs peuvent se présenter sous la forme d'une série temporelle composée de S éléments (S est un entier positif), chaque élément étant exprimé soit à l'aide de coordonnées cartésiennes ou de préférence par des quaternions unitaires. [0068] Dans la suite, nous considérerons que les S données qts(s) de la série temporelle sont exprimées à l'aide de quaternions unitaires telles que : [0069] [Math.1]
Figure imgf000013_0001
[0070] Dans Math.1, θ(s) et v(s) font référence respectivement à l'angle et au vecteur de la rotation entre l'orientation du capteur mesurée à l'instant s et à une orientation de référence, par exemple alignée sur le référentiel terrestre. [0071] Chaque élément qts(s) est associé au temps t(s) auquel la mesure de qts(s) a été faite. [0072] Etape préliminaire [0073] Les données brutes renvoyées par le système de capteurs peuvent êtres sujettes à différents artefacts propres au système de capteurs ou induits par l'utilisateur lors de la mesure. [0074] La méthode de la présente invention peut comprendre une étape préliminaire qui consiste à supprimer les artefacts de la série temporelle de données renvoyée par le système de capteurs. [0075] Les artefacts survenant au moment de la mesure peuvent être répartis en deux grandes familles : 1. les artefacts dus au sens de la rotation calculée entre le référentiel fixe et le référentiel du capteur, appelés Rotation Sens Changes ; et 2. les artefacts dus à un recalibrage d'un ou plusieurs composants du système de capteurs au cours d'une acquisition de données, appelés Sporadic Discontinuities. [0076] Le mauvais calibrage du système de capteurs peut également entraîner une lente dérive (en anglais drift) des données, due à l'accumulation d'erreurs au cours du temps dans le calcul de son orientation. Le drift se traduit par une pente dans les données correspondant à une lente rotation du référentiel fixe au cours du temps. [0077] Une phase de calibration du système de capteurs à réaliser avant la phase d'acquisition des données peut permettre de limiter, sinon supprimer la survenue des artefacts et drifts. [0078] La phase de calibration peut consister à faire pivoter le système de capteurs entre plusieurs positions à intervalle de temps relativement régulier pour calibrer les différents capteurs du système de capteurs, par exemple les accéléromètre et gyromètre, puis de bouger le système de capteurs dans plusieurs directions pour calibrer le magnétomètre dans le cas où un magnétomètre est présent dans le système de capteurs. [0079] Correction du sens de la rotation (Rotation Sens Changes) [0080] Les artefacts de type Rotation sens changes surviennent quand la rotation entre le référentiel du capteur Rcapt et le référentiel fixe Rfix est proche de 180°. Soient R(s) et R(s+1) deux rotations entre Rfix et Rcapt calculées à un temps t(s) et à un temps t(s+1), ces deux rotations étant de sens opposées. Soient θ(s) et v(s) respectivement l'angle et le vecteur de rotation associés à R(s) et θ(s+1) et v(s+1) respectivement l'angle et le vecteur de rotation associés à R(s+1), alors θ(s) ≈ θ(s+1) et v(s+1) ≈ -v(s). Considérons dans ce cas le quaternion unitaire qts(s) qui représente la rotation R(s) et qts(s+1) le quaternion unitaire représentant la rotation R(s+1), alors Re(q(s+1)) ≈ Re(q(s)) et Im(q(s+1) ≈ -Im(q(s)). Alors qts(s)*qts(s+1) = w(s).w(s+1) + x(s).x(s+1) + y(s).y(s+1) + z(s).z(s+1) < 0 ; * représentant un produit scalaire. [0081] L'étape préliminaire de correction d'artefacts de type Rotation sens change peut donc comprendre une étape de calcul du produit scalaire de deux données temporelles successives qts(s) et qts(s+1), exprimées selon deux quaternions unitaires. Selon le signe du produit scalaire, le quaternion qts(s+1) est remplacé par son opposé afin de corriger des artefacts de type Rotation Sens Changes. [0082] La figure 4 présente à sa gauche un exemple d'une série temporelle de données exprimée en utilisant des quaternions unitaires. La figure 4 présente des artefacts de mesures de type Rotation Sens Changes. On observe en effet des discontinuités au niveau des composantes x, y et z du quaternion unitaire. [0083] L'utilisation de quaternions unitaires permet de facilement visualiser et corriger de tels artefacts. A la droite de la figure 4, on peut observer la même série temporelle qu'à gauche de la figure, mais cette fois-ci corrigée. [0084] Correction des Sporadic discontinuities [0085] Les Sporadic discontinuities correspondent à un changement brusque de référentiel fixe Rfix entre deux données successives. Corriger cet artefact revient à recalculer l'orientation du capteur mesurée durant la phase d'acquisition à partir d'un référentiel fixe constant. Soit distpre(s) = dist( qts(s) , qts(s-1) ) la distance entre un élément qts(s) de la série temporelle et l'élément précédent qts(s-1) calculée pour s ∈ {2…S}, les quartiles Q1 et Q3 de distpre sont calculés. Ils correspondent aux valeurs pour lesquelles 25% des distances distpre(s) sont inférieures à Q1 et 25% des distances distpre(s) supérieures à Q3. Une valeur seuil thrdist est déterminée à partir de l'écart inter quartiles IQS = Q3 – Q1 : thrdist = Q3 + min(max(dist_prec),Q3+1,5xIQS). [0086] Pour un élément s donné, si distpre(s) > thrdist, alors le référentiel fixe permettant de calculer l'orientation du système de capteurs est différent à partir de l'instant t(s). Cet élément est noté ssd. Afin de recalculer l'orientation du système de capteurs à partir de l'élément ssd selon le même référentiel fixe que celui considéré pour les éléments s<ssd, les éléments qts(s), s>ssd sont multipliés par le quaternion qsd = qts(s-1).qts(s)-1 selon l'équation suivante : [0087] [Math.2]
Figure imgf000015_0001
[0088] Plusieurs Sporadic discontinuities peuvent survenir au cours d'une même session d'acquisition de données. La correction de l'artefact est répétée tant que des Sporadic discontinuities sont détectés dans la série temporelle de données. [0089] La figure 5 illustre la correction d'un artefact de type Sporadic discontinuities. [0090] Etape de segmentation [0091] La méthode de détermination d'une signature de marche d'une personne de la présente invention, à partir d'une série temporelle de données, les données étant par exemple des quaternions, chaque donnée étant représentative de l'orientation d'un système de capteurs mesurée au cours du temps, comprend une première étape de segmentation. [0092] L'étape de segmentation comprend une première sous-étape consistant à identifier les extrema locaux de la série temporelle. [0093] Un cycle de marche est composé de deux phases, (i) la phase d'appui qui commence par la pose d'un pied donné au sol et finit par le décollement de ce même pied, et (ii) la phase de balancement qui commence par le décollement du pied et finit par la pose de ce pied. [0094] Les mouvements de la jambe s'effectuent donc en sens opposés entre la phase d'appui et la phase de balancement. [0095] Dans le cas où le système de capteurs est placé au niveau de la hanche, c'est-à- dire au niveau du bassin et proche de la tête du fémur, les données qu'il enregistre témoignent de mouvements effectués par la jambe. [0096] Soient sinit le premier élément d'une phase d'un cycle de marche (cette phase peut être la phase d'appui comme la phase de balancement), observé au temps t(sinit), et q(sinit) l'orientation du système de capteurs observée à cet instant. Au cours de cette phase de marche, l'orientation de la jambe s'éloigne de son orientation initiale. L'orientation de la jambe la plus éloignée de l'orientation initiale est observée à la fin de la phase, correspondant à l'élément send observé au temps t(send), à partir duquel débute la deuxième phase du cycle de marche. [0097] Durant cette deuxième phase, le mouvement de la jambe éloigne son orientation de celle observée au temps t(send) et la rapproche de celle observée au temps t(sinit). De par sa position, l'orientation du système de capteurs suit le même schéma au cours d'un cycle de marche. La segmentation du signal repose sur ces observations. [0098] L'objectif est ici d'identifier les temps pouvant correspondre à une transition entre deux phases de marche. [0099] Soit smax un élément correspondant à une transition entre deux phases du cycle de marche, observé au temps t(smax) ; soit l'intervalle de temps [t(smax) – Δt,t(smax) + Δt], avec Δt le paramètre permettant de définir l'étendu de l'intervalle ; pour un intervalle de temps correspondant approximativement à la durée d'un cycle de marche (par exemple, un intervalle de 1,5 seconde avec Δt = 0.75 secondes), l'orientation observée au temps t(smax) correspond à l'orientation la plus éloignée de toutes les orientations observées dans l'intervalle [t(smax) – Δt,t(smax)+ Δt]. L'élément smax est appelé Maximum Local. [0100] Le principe de la méthode appliquée pour détecter ces points est présenté sur la figure 6. Soit une fenêtre de recherche sw = {1…δ}, avec δ un entier positif et sw(1) = 1, sw(2) = 2, … , sw(δ) = (δ-1) ; le paramètre δ définit l'étendue de la fenêtre de recherche sw et est fixé a priori de telle sorte que cette étendue soit suffisamment grande pour contenir un cycle de marche complet, i.e. pour que l'intervalle de temps [t(sw(1)) , t(sw(δ-1))] soit d'une durée suffisante pour contenir un cycle de marche (par exemple 1,5 seconde). Le premier maximum local noté srupt(1) est définit par défaut comme le premier point de la série (premier point noir sur la figure 6). La distance entre ce premier point et tous les points appartenant à la fenêtre de recherche sw matérialisée par les traits pointillés noir sur la figure 6) est calculée d'après l'équation suivante: [0101] [Math.3]
Figure imgf000016_0001
[0102] Le maximum local srupt(2) est défini comme suit : [0103] [Math.4]
Figure imgf000016_0002
[0104] La fenêtre de recherche sw prend alors les nouvelles valeurs définies par : [0105] [Math.5]
Figure imgf000016_0003
[0106] Le maximum local de la nouvelle fenêtre sw est défini par la même méthode qu'à l'étape précédente. Cette phase de recherche se répète de façon itérative jusqu'à ce que la fenêtre de recherche atteigne la fin de la série temporelle de données. [0107] L'ensemble des maximas trouvés (ou points de ruptures) constituent un vecteur de M maxima locaux notés srupt(m) avec m ∈ {1 … M}, M étant un entier positif. [0108] L'étape de segmentation comprend en outre une étape consistant à déterminer entre deux extrema locaux successifs s'il s'agit d'une phase de rotation postérieure ou une phase de rotation antérieure. [0109] Les M maxima locaux déterminés ci-avant correspondent à des changements dans le sens de rotation du capteur. Certains de ces maximas locaux délimitent des intervalles de temps correspondant à des phases de cycle de marche (phase de balancement ou phase d'appui). Soient xcapt(s), ycapt(s) et zcapt(s) les coordonnées des vecteurs x, y et z du référentiel de capteur Rcapt observées au temps s et exprimées dans le système de coordonnées du référentiel fixe Rfix. Soient 2 maximas locaux successifs srupt(m) et srupt(m+1). [0110] Schématiquement, dans le cas où le système de capteurs est placé au niveau de la hanche, de par sa position, si srupt(m) et srupt(m+1) délimitent un intervalle de temps correspondant à une phase de balancement ou d'appui, le mouvement de rotation du capteur se fait principalement autour d'un axe colinéaire à zcapt(s), pour s ∈ {srupt(m) … srupt(m+1)}. Si srupt(m) et srupt(m+1) délimitent une phase de balancement, la jambe effectue un mouvement de rotation antérieure. Du point de vue du capteur, l'axe xcapt(s) se rapproche de l'axe ycapt(srupt(m)) durant cette phase. A la fin de cette phase, l'angle entre xcapt(srupt(m+1)) et ycapt(srupt(m)) est inférieur à 90°. Cette condition se vérifie d'après l'inégalité suivante : [0111] [Math.6]
Figure imgf000017_0001
[0112] A l'inverse, si srupt(m) et srupt(M+1) délimitent une phase d'appui, la jambe effectue un mouvement de rotation postérieure. Du point de vue du capteur, l'axe xcapt(s) s'éloigne de l'axe ycapt(srupt(m)) durant cette phase. A la fin de cette phase, l'angle formé entre l'axe xcapt(srupt(m+1)) et ycapt(krupt(m)) est supérieur à 90°. Cette condition se vérifie d'après l'inégalité suivante : [0113] [Math.7]
Figure imgf000017_0002
[0114] A partir de ces observations, il est ainsi possible de déterminer quel type de rotation est observé entre 2 maxima locaux successifs srupt(m) et srupt(m+1). [0115] L'étape de segmentation comprend alors une autre sous-étape consistant à former des segments constitués d'une phase de rotation postérieure et d'une phase de rotation antérieure successives (ou l'inverse). [0116] Les types de rotation ainsi déterminés peuvent être compilés dans un vecteur appelé ci-après RotType tel que RotType(m)=A si la rotation entre srupt(m) et srupt(m+1) se fait dans le sens antérieur et RotType(m)=P si la rotation se fait dans le sens postérieur. [0117] Une fois les maximas locaux définis. La série temporelle qts peut être segmentée à partir des points de rupture constitués correspondant aux maxima locaux srupt et les types de rotation observés entre les intervalles de temps qu'ils délimitent, consignés dans RotType. L'objectif est d'obtenir des segments correspondant à des cycles de marche complets, constitués d'une phase d'appui suivie d'une phase de balancement. La méthode de la présente invention consiste ainsi à identifier les phases de rotations postérieures suivies d'une phase de rotation antérieure parmi les phases de rotation recensées dans RotType (ou l'inverse). Soit m une phase de rotation postérieure RotType(m) = P correspondant à la phase d'appui d'un cycle de marche, suivie d'une phase de rotation antérieure RotType(m+1)=A, correspondant à la phase de balancement de ce cycle. La phase de rotation postérieure m est délimitée par les maxima locaux srupt(m) et srupt(m+1) et la phase de rotation antérieure par les maxima locaux srupt(m+1) et srupt(m+2). Le segment correspondant au cycle de marche sera donc délimité par les maxima locaux srupt(m) et srupt(m+2). [0118] Les segments ainsi obtenus correspondent potentiellement à des cycles de marche complets constitués de deux phases de rotation opposées (une correspondant à l'appui du pied, la deuxième à son balancement). Cependant, certains des segments ainsi créés peuvent ne pas correspondre à des cycles de marche, une troisième étape de sélection est alors nécessaire pour ne conserver que les segments qui correspondent effectivement à des cycles de marche. [0119] Etape de sélection [0120] La méthode de détermination d'une signature de marche de la présente invention comprend une étape consistant à sélectionner les segments qui correspondent à un cycle de marche. [0121] La segmentation du jeu de données initial à partir des points de rupture précédemment déterminés entraîne la formation de J segments Seg(j), avec j de 1 à J. Un segment Seg(j) correspond à une série temporelle décrivant une période constituée d'une phase de rotation postérieure suivie d'une phase de rotation antérieure (ou l'inverse). Un segment Seg(j) est composé de Sj éléments. Chaque segment Seg(j) peut par exemple correspondre à une série temporelle composée de Sj quaternions unitaires dans le cas où les données temporelles mesurées par le système de capteurs sont des quaternions: qtsj(s), s ∈ {1 … Sj}. , un élément qtsj(s) correspondant à un quaternion unitaire. Les temps associés à chaque éléments qtsj(s) sont notés tj(s) , s ∈ {1 … Sj}. tj(1) = 0 et tj(Sj) est la durée du segment qts. [0122] La sélection de segments correspondant à des cycles de marche peut comprendre des étapes intermédiaires telles que : - une étape de suppression d'outliers, - une étape de réorientation des segments, - une étape consistant à réguler le nombre d'élément par segment, - une étape d'alignement des segments. [0123] Etape de suppression d’outliers [0124] Cette étape peut permettre de supprimer les erreurs liées soit au capteur soit à la marche du patient, par exemple quand le patient fait un demi-tour. [0125] La marche est supposée suffisamment régulière pour que plusieurs cycles de marche mesurés chez un même individu soient similaires, que ce soit en termes de mouvement ou de durée. Au cours de la sélection des segments correspondants à des cycles de marches, certains segments peuvent avoir mal êté sélectionnés et ne pas correspondre à des cycles de marche. Ces segments sont des données aberrantes qu'il est nécessaire de supprimer du jeu de données, ils sont appelés outliers (observation aberrante en français). Ces outliers peuvent être supprimés sur la base de leur durée, de leur amplitude et/ou de leur forme. Différentes méthodes de suppression d’outliers peuvent donc être mis en œuvre dans l'étape de sélection. [0126] Considérant que les mouvements observés au cours d'un cycle de marche sont similaires entre plusieurs cycles de marche réalisés par un même individu, la distance deux- à-deux entre tous les segments Seg(j) peut être calculée, les segments s'éloignant trop d'une distance prédéterminée étant alors considérés comme outliers et supprimés. [0127] La distance entre tous les segments Seg(j) 2 à 2 peut par exemple être calculée par la méthode appelée Quaternion Dynamic Time Warping (Bartosz Jablonski. Quaternion dynamic time warping. IEEE transactions on signal processing, 60(3) :1174-1183, 2011). [0128] Une autre méthode de suppression des outliers peut être effectuée tant sur la forme que sur l'amplitude des segments. La méthode connue du BoxPlot Fonctionnel développée par Sun et Genton (Ying Sun and Marc G Genton. Adjusted functional boxplots for spatio- temporal data visualization and outlier detection. Environmetrics, 23(1):54-64, 2012) et la méthode de l'Outlier Gram Fonctionnel développée par Arribas et Romo (Ana Arribas-Gil and Juan Romo. Shape outlier detection and visualization for functional data : the outliergram. Biostatics, 15(4) :603-619, 2014) sont des exemples de méthodes adaptées pour détecter des outliers parmi un ensemble de données fonctionnelles. [0129] La méthode de la présente invention peut comprendre une ou plusieurs étapes de suppression d’outliers. La suppression d’outliers peut être effectuée au début ou à la fin de l'étape de sélection. De même, une ou plusieurs étapes de suppression d’outliers peut être effectuée à différentes étapes intermédiaires de l'étape de sélection. La même étape de suppression d’outliers peut également être effectuée à plusieurs reprises. [0130] Pour simplifier les notations dans la suite de ce document, les segments notés Seg(j) correspondent aux segments formés par la méthode précédemment décrite, auxquels ont été retirés les segments considérés comme outliers, et J correspond au nombre de segments formés ne correspondant pas à des outliers. [0131] Réorientation des segments [0132] Pour améliorer la comparabilité des segments mesurés au cours de différentes sessions d'acquisition de données de marche, l'orientation mesurée par le système de capteurs peut avantageusement être exprimée à partir d'un référentiel fixe équivalent entre les segments. [0133] L'orientation du système de capteurs peut être calculée pour un segment Seg(j) en considérant comme référentiel fixe le référentiel correspondant à l'orientation qtsj(1) observée au premier temps tj(1) du segment. L'orientation au temps tj(s) d'un segment Seg(j) à partir du référentiel observé au premier temps de ce segment est obtenue d'après la formule suivante : [0134] [Math.8]
Figure imgf000020_0001
[0135] Les segments réorientés d'après cette méthode correspondent à l'orientation du système de capteurs calculée à partir de leur orientation initiale, i.e. au moment de la pose du pied au sol dans le cas de segments correspondant à des cycles de marche composés d'une phase de rotation postérieure suivie d'une phase de rotation antérieure. Pour simplifier les notations dans la suite du document, les segments notés Seg(j) = qtsj correspondent aux segments réalignés par la méthode précédemment décrite, le premier élément d'un segment Seg(j) correspondant à un quaternion unitaire nul qtsj(1)=(1,0,0,0). [0136] Régularisation du nombre d’éléments par segment [0137] Pour améliorer la comparabilité des segments, le nombre de points par segment peut être homogénéisé. [0138] Le nombre de points par segments peut être fixé à une valeur prédéterminée, par exemple comprise entre 1 et 500, de préférence 101, facilitant l'expression des segments en pourcentage de cycle. Les segments régularisés Segreg(j) de taille correspondant à la valeur prédéterminée sont de préférence calculés à partir des segments Seg(j) par interpolation sphérique linéaire. [0139] Alignement des segments [0140] Afin de permettre une meilleure comparabilité des segments entre eux et d'identifier de potentiels outliers restants, les segments peuvent être alignés. Cette transformation consiste à dilater ou compresser l'échelle des temps de chacun des segments afin de minimiser la distance calculée entre chacun des segments. [0141] Cette étape peut être par exemple réalisée d'après une méthode connue de K-mean alignement sur données fonctionnelles et de préférence adaptée aux quaternions unitaires. [0142] A la fin de l'étape de sélection de segments correspondant à des cycles de marche, une nouvelle série ci-après appelée WalkingCycle {WalkingCycle(j), j ∈ J} est obtenue. La série WalkingCycle est composée des J segments restant, les segments pouvant être considérés comme étant des cycles de marche. Un élément WalkingCycle(j) correspond à une série temporelle de quaternions unitaires qtsj(s), s ∈ {1 … 101} dans le cas où le nombre de données par segment a été fixé à 101, un élément qtsj(s) d'un cycle WalkingCycle(j) de la série WalkingCycle étant de préférence un quaternion unitaire, représentant l'orientation du système de capteurs calculée à partir de sa première orientation observée dans le cycle. [0143] Chaque éléments qtsj(s), s {1 … 101} étant mesurés à un temps treg,j. [0144] Calcul de la signature de marche [0145] La méthode de détermination d'une signature de marche de la présente invention comprend enfin une étape consistant à calculer la signature de marche à partir des segments sélectionnés. [0146] La signature de marche peut être avantageusement calculée en utilisant une méthode dite de K-mean alignement sur données fonctionnelles où la valeur de K est fixée à 1. Le centre c obtenu après convergence de l'état stable peut être appelé Cycle Moyen et correspond à la signature de marche. [0147] Etapes supplémentaires [0148] Pour pouvoir comparer les cycles et cycles moyens obtenus au cours de différentes sessions d'acquisition d'un même individu ou des signatures de marche d'individus différents, les signatures de marches peuvent encore subir quelques traitements. [0149] Expression des cycles et cycle moyen en pourcentage de cycle [0150] Dans le cas où des individus ont des cadences de marche différentes, i.e. dont les durées des cycles et cycles moyens vont différer, les temps de mesure des éléments d'un cycle de marche et du cycle moyen sont avantageusement exprimés en pourcentage de la durée totale de ce cycle plutôt qu'en secondes. [0151] Calcul de l’orientation à partir d’un référentiel dit « template » [0152] Afin d'améliorer la comparabilité des signatures de marche mesurées pour des individus différents, un jeu de donnée ci-après appelé template (gabarit/modèle) peut être défini arbitrairement. Ce jeu de données est constitué d'un segment sélectionné d'après la méthode de la présente invention et mesuré chez un individu, se présentant par exemple sous la forme d'une série temporelle de quaternions unitaires qtst(s) , s ∈ {1 … 101}, dans le cas où le nombre de données du segment a été fixé à 101. L'élément de qtst correspondant à l'orientation la plus éloignée de l'orientation initiale qtst(1) est défini par la formule suivante : [0153] [Math.9]
Figure imgf000022_0001
[0154] Il correspond à l'orientation obtenue par la plus grande rotation (i.e. celle avec la plus grande valeur d'angle) de l'orientation initiale du segment sélectionné. Cette rotation est d'angle θtmax et de vecteur vtmax = [vtmax1, vtmax2, vtmax3]. Pour le Cycle Moyen calculé à partir des J WalkingCycle(j) mesurés chez une personne, le vecteur vmax = [vmax1, vmax2, vmax3] est obtenu par la même méthode que vtmax. La rotation entre vtmax et vmax est calculée et est noté qct. Soient v(s) = [0, v(s)] le vecteur de la rotation qts(s) , s ∈ {1 … 101} représenté de préférence sous la forme de quaternion imaginaire pur, et θ(s) l'angle de cette rotation. Les vecteurs v(s) sont conjugués par la rotation qjt : [0155] [Math.10]
Figure imgf000022_0002
[0156] Le Cycle Moyen, correspondant à une série temporelle qts(s) est réaligné en calculant les nouvelles valeurs des quaternions qts(s) , s ∈ {1 … 101} par la formule : [0157] [Math.11]
Figure imgf000023_0001
[0158] L'ensemble des WalkingCycles qtsj peuvent être réorientés en appliquant la même méthode de calcul. Ils forment alors l'ensemble ReorientedWalkingCycle, constituée des cycles de marche réorientés. [0159] Aplanissement des cycles et de la signature de marche [0160] La position de la jambe est supposée être la même au début et à la fin d'un cycle de marche. Par conséquent, l'orientation du système de capteurs à ces 2 instants est également supposée être identique. Dans la plupart des cas, l'orientation observée au début d'un cycle ReorientWalkingCycles(j) est différente de celle observée à la fin, i.e. qtsj(1) ≠ qtsj(101). Le logarithme des données logqts,j(s)=log(qtsj(s)) est calculé, puis une droite ci-après appelée sline passant par le premier et le dernier points de logqts,j est déterminée pour chacune des composantes de logqts,j d'après les équations suivantes: [0161] [Math.12]
Figure imgf000023_0002
[0162] A chacune des composantes de logqts,j(s) est soustraite la droite sline lui correspondant : [0163] [Math.13]
Figure imgf000023_0003
[0164] Les cycles StraightWalkingCycles(j) sont finalement obtenus par l'exponentiel des logqts,jstraight(s) : [0165] Le Cycle Moyen Réorienté est transformé par la même méthode pour obtenir la Signature de marche. [0166] La figure 8 présente des signatures de marches réorientés et aplanies. La figure 8 présente une signature de marche exprimée selon des quaternions. La signature de marche est donc une courbe donnée pour chaque composante du quaternion unitaire. Toutefois, dans le cas où le système de capteurs renverrait des données cartésiennes, la signature de marche serait une courbe exprimée d'après les trois axes d'un repère cartésien. [0167] Peu importe le type de données pris en compte par la méthode de la présente invention, la signature de marche est avantageusement au moins une courbe. L'au moins une courbe peut également être accompagnée d'un ou plusieurs chiffres caractéristiques de celle-ci. [0168] La présente invention permet ainsi de déterminer la signature de marche caractéristique d'un individu, en ce sens elle est équivalente à un biomarqueur qui peut aider un clinicien à réaliser un diagnostic. [0169] Plusieurs étapes de traitement présentées dans la présente demande ont pour but de corriger les données mesurées par le capteur de leurs artefacts et/ou de permettre la comparaison de signatures de marche mesurées chez un même individu au cours de différentes sessions d'acquisition, ou mesurées chez différents individus. Ces étapes sont optionnelles. Ces étapes peuvent être nécessaires pour corriger certaines erreurs de mesures du système de capteurs. Dans l'idéal, le système de capteur étant correctement calibré, ces étapes peuvent être rendues optionnelles. [0170] La mesure d'une signature de marche d'un même individu à plusieurs mois d'intervalle peut donner une information sur l'évolution de sa capacité à marcher, et ainsi témoigner de l'effet bénéfique d'une intervention de soin ou de dégradation de l'état de santé d'un patient. [0171] La mesure des signatures de marche d'un même individu au cours du temps ou de plusieurs individus peut être compilée dans une base de données.

Claims

Revendications [Revendication 1] Méthode de détermination d'une signature de marche d'une personne, à partir d'une série temporelle de données, les données étant par exemple des quaternions, chaque donnée étant représentative d'une position ou d'une orientation d'un système de capteurs mesurée au cours du temps, la méthode comprenant: une étape de segmentation, l'étape de segmentation comprenant les étapes intermédiaires suivantes : - identifier les extrema locaux de la série de données, - déterminer entre deux extrema locaux successifs s'il s'agit d'une phase de rotation postérieure ou une phase de rotation antérieure, - former des segments constitués d'une phase de rotation postérieure et d'une phase de rotation antérieure successives, une étape de sélection qui consiste à sélectionner les segments qui correspondent à un cycle de marche, une étape de calcul de la signature de marche à partir des segments sélectionnés. [Revendication 2] Méthode selon la revendication 1, où le système de capteurs comprend un référentiel local à trois axes, le type de phase de rotation entre un premier extrémum et un deuxième extrémum qui est subséquent au premier extrémum, est déterminé d'après l'angle formé entre un premier et un second axe, le premier axe étant considéré au temps correspondant à l'occurrence du premier extrema et le second axe étant considéré au temps correspondant à l'occurrence du deuxième extrema. [Revendication 3] Méthode selon l'une quelconque des revendications précédentes, où l'étape de sélection comprend une étape qui consiste à appliquer une interpolation sphérique linéaire à chaque segment de sorte que chaque segment constitué à l'étape de segmentation comprenne le même nombre de données. [Revendication 4] Méthode selon l'une quelconque des revendications précédentes, où l'étape de calcul de la signature consiste à calculer la moyenne des segments correspondant à des cycles de marches. [Revendication 5] Méthode selon l'une quelconque des revendications précédentes, où la méthode comprend en outre une étape préalable de traitement afin de détecter et supprimer les potentiels artefacts de mesure. [Revendication 6] Méthode selon l'une quelconque des revendications précédentes, où le système de capteurs est composé d'un accéléromètre 3 axes et d'un gyromètre 3 axes. [Revendication 7] Méthode selon l'une quelconque des revendications précédentes, où la fréquence de mesure du système de capteurs est d'au moins 50Hz, de préférence 100Hz [Revendication 8] Méthode selon l'une quelconque des revendications précédentes, où le système de capteurs est placé au niveau de la hanche de la personne, par exemple fixé à une ceinture. [Revendication 9] Méthode d'aide à la caractérisation de la sévérité de l'atteinte de la marche qui comprend la méthode de détermination d'une signature de marche des revendications précédentes, qui comprend en outre la comparaison de la signature de marche à des signatures de marche de référence, notamment pour l'évaluation de la dégradation de la marche dans le cas de maladie neuro dégénérative. [Revendication 10] Programme informatique comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications 1 à 8 lorsque ce programme est exécuté par un processeur. [Revendication 11] Support d'enregistrement non transitoire lisible par un ordinateur sur lequel est enregistré un programme pour la mise en œuvre du procédé selon l'une des revendications 1 à 6 lorsque ce programme est exécuté par un processeur. [Revendication 12] Dispositif de détermination d'une signature de marche d'une personne comprenant : un système de capteurs composé d'un accéléromètre 3 axes, d'un gyromètre 3 axes, un système de traitement de l'information configuré pour mettre en œuvre la méthode selon l'une des revendications 1 à 8, et un système de communication de préférence Bluetooth.
PCT/FR2022/050068 2021-01-13 2022-01-13 Méthode et dispositif de détermination d'un cycle de marche WO2022153010A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FRFR2100309 2021-01-13
FR2100309A FR3118696A1 (fr) 2021-01-13 2021-01-13 Méthode et dispositif de détermination d’un cycle de marche

Publications (1)

Publication Number Publication Date
WO2022153010A1 true WO2022153010A1 (fr) 2022-07-21

Family

ID=75953952

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/FR2022/050068 WO2022153010A1 (fr) 2021-01-13 2022-01-13 Méthode et dispositif de détermination d'un cycle de marche

Country Status (2)

Country Link
FR (1) FR3118696A1 (fr)
WO (1) WO2022153010A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130131555A1 (en) 2011-11-17 2013-05-23 William R. Hook Gait analysis using angular rate reversal
EP2646776A2 (fr) 2010-12-01 2013-10-09 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procede et systeme de determination de valeurs de parametres representatifs d'un mouvement d'au moins deux membres d'une entite representee sous la forme d'une chaine articulee
US20170007168A1 (en) * 2014-02-04 2017-01-12 The Medical Reseach, Infrastructure And Health Services Fund Of The Tel Aviv Medical Center Methods and systems for providing diagnosis or prognosis of parkinson's disease using body-fixed sensors
US20180020969A1 (en) 2014-12-18 2018-01-25 Universite Grenoble Alpes System and method for controlling the cyclic motion of a body segment of an individual
EP3603505A1 (fr) 2017-03-27 2020-02-05 Fujitsu Limited Système, dispositif et procédé de traitement d'informations

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2646776A2 (fr) 2010-12-01 2013-10-09 Commissariat à l'Énergie Atomique et aux Énergies Alternatives Procede et systeme de determination de valeurs de parametres representatifs d'un mouvement d'au moins deux membres d'une entite representee sous la forme d'une chaine articulee
US20130131555A1 (en) 2011-11-17 2013-05-23 William R. Hook Gait analysis using angular rate reversal
US20170007168A1 (en) * 2014-02-04 2017-01-12 The Medical Reseach, Infrastructure And Health Services Fund Of The Tel Aviv Medical Center Methods and systems for providing diagnosis or prognosis of parkinson's disease using body-fixed sensors
US20180020969A1 (en) 2014-12-18 2018-01-25 Universite Grenoble Alpes System and method for controlling the cyclic motion of a body segment of an individual
EP3603505A1 (fr) 2017-03-27 2020-02-05 Fujitsu Limited Système, dispositif et procédé de traitement d'informations

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ANA ARRIBAS-GILJUAN ROMO: "Shape outlier détection and visualization for functional data : the outliergram", BIOSTATICS, vol. 15, no. 4, 2014, pages 603 - 619, XP055400378, DOI: 10.1093/biostatistics/kxu006
BARTOSZ JABLONSKI: "Quaternion dynamic time warping", IEEE TRANSACTIONS ON SIGNAL PROCESSING, vol. 60, no. 3, 2011, pages 1174 - 1183, XP011411686, DOI: 10.1109/TSP.2011.2177832
YING SUNMARC G GENTON: "Adjusted functional boxplots for spatio- temporal data visualization and outlier détection", ENVIRONMETRICS, vol. 23, no. 1, 2012, pages 54 - 64

Also Published As

Publication number Publication date
FR3118696A1 (fr) 2022-07-15

Similar Documents

Publication Publication Date Title
FR3069355A1 (fr) Procede d&#39;analyse d&#39;une image d&#39;une arcade dentaire
EP3432218B1 (fr) Procede d&#39;analyse d&#39;une image d&#39;une arcade dentaire
FR3066903A1 (fr) Procede de determination d&#39;un traitement orthodontique
FR3069359A1 (fr) Procede d&#39;analyse d&#39;une image d&#39;une arcade dentaire
FR3050374A1 (fr) Procede de prediction d&#39;une situation dentaire
EP3110321A1 (fr) Procede, dispositif, systeme et programme informatique de filtrage d&#39;une serie rr obtenue a partir d&#39;un signal cardiaque avec controle automatique de la qualite de la serie rr
FR3069358A1 (fr) Procede d&#39;analyse d&#39;une image d&#39;une arcade dentaire
EP3972522A1 (fr) Procede de generation d&#39;un modele d&#39;une arcade dentaire
EP4013303A1 (fr) Procede et systeme pour l&#39;analyse de l&#39;activite biomecanique et l&#39;exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d&#39;activite physique
CA2687596A1 (fr) Procede et dispositif d&#39;acquisition et de traitement d&#39;images pour la detection de lesions evolutives
FR3111067A1 (fr) Prise d&#39;empreinte optique de l’arcade dentaire d’un patient
WO2015121503A1 (fr) Procédé et système de surveillance du système nerveux autonome d&#39;un sujet
CA2949683C (fr) Procede de determination d&#39;au moins un parametre comportemental
EP3552545B1 (fr) Procédé et dispositif de correction en temps réel de champ magnétique
WO2022153010A1 (fr) Méthode et dispositif de détermination d&#39;un cycle de marche
WO2021116554A1 (fr) Dispositif de definition d&#39;une sequence de deplacements sur un modele generique
EP3761267A1 (fr) Procédé et dispositif de détermination de l&#39;amplitude d&#39;un mouvement effectué par un membre d&#39;un corps articulé
EP3331441A1 (fr) Procédé de caractérisation de démarche
CA2685562A1 (fr) Procede et dispositif d&#39;acquisition et de traitement de donnees pour la detection de l&#39;evolution dans le temps de lesions evolutives
WO2015128568A1 (fr) Procede et dispositif de contrôle automatique de la qualite d&#39;une serie rr obtenue a partir d&#39;un signal cardiaque
WO2024105342A1 (fr) Procede d&#39;estimation d&#39;une trajectoire d&#39;un point d&#39;interet
WO2017149250A1 (fr) Dispositif cardiaque
EP3073900B1 (fr) Procédé de construction d&#39;un indice d&#39;activité, dispositif et programme d&#39;ordinateur correspondant
EP3958785B1 (fr) Programme d&#39;ordinateur d&#39;evaluation d&#39;une gouttiere orthodontique
FR2977353A1 (fr) Traitement de donnees pour l&#39;identification de posture

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: 22703693

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

32PN Ep: public notification in the ep bulletin as address of the adressee cannot be established

Free format text: NOTING OF LOSS OF RIGHTS PURSUANT TO RULE 112(1) EPC (EPO FORM 1205 DATED 02.11.2023)