WO2023222453A1

WO2023222453A1 - Procédé et dispositif d'estimation de tension artérielle

Info

Publication number: WO2023222453A1
Application number: PCT/EP2023/062267
Authority: WO
Inventors: Seyfeddine BOUKHTACHE
Original assignee: I-Virtual
Priority date: 2022-05-19
Filing date: 2023-05-09
Publication date: 2023-11-23
Also published as: FR3135612A1

Abstract

L'invention concerne un procédé (300) d'estimation d'une valeur de tension artérielle pour une personne cible à partir d'au moins un signal de battement cardiaque, ledit procédé (300) comprenant au moins une itération d'une phase (314) de prédiction comprenant les étapes suivantes : - mesure (302) d'au moins un premier signal de battement cardiaque de ladite personne cible, et - estimation (312) d'une valeur de tension artérielle avec un modèle intelligent, en fonction dudit premier signal; caractérisé en ce que l'étape d'estimation (312) est réalisée avec un modèle intelligent préalablement associé à ladite personne cible, parmi plusieurs modèles intelligents préalablement entraînés pour l'estimation de tension artérielle. Elle concerne également un dispositif configuré pour mettre en oeuvre un tel procédé.

Description

DESCRIPTION

Titre : Procédé et dispositif d'estimation de tension artérielle

[0001] La présente invention concerne un procédé d'estimation d'une tension artérielle à partir d'au moins un signal de battement cardiaque comprenant une ou plusieurs impulsions correspondant chacune, à un battement cardiaque. Elle concerne également un dispositif mettant en œuvre un tel procédé.

[0002] Le domaine de l'invention est de manière générale le domaine de l'estimation de tension artérielle à partir d'un signal de battement cardiaque, ou d'un signal de pression.

État de la technique

[0003] Il est déjà connu d'estimer, pour une personne cible, une valeur de tension artérielle à partir d'un signal de battement cardiaque comprenant une ou plusieurs impulsions, tel que par exemple un signal photopléthysmographique, PPG. En particulier, le signal de battement cardiaque est traité pour en extraire une impulsion ou plusieurs impulsions. Cette impulsion est entrée dans un modèle intelligent préalablement entrainé qui retourne une valeur de tension artérielle. Les données d'entrée du modèle intelligent sont des valeurs discrètes représentant l'impulsion, par exemple un vecteur de N valeurs représentant l'impulsion, et la valeur de sortie retournée par le modèle intelligent est une valeur de tension artérielle.

[0004] Le modèle intelligent généralement utilisé est un réseau de neurones régressif, par exemple un réseau neuronal convolutionnel à apprentissage profond, DLCNN pour « Deep Learning Convolutional Neural Network » en anglais.

[0005] Les solutions actuelles souffrent d'erreurs fréquentes et ne permettent pas une estimation précise de la tension artérielle à partir d'un signal PPG. De plus, les inventeurs ont remarqué que la précision des solutions actuelles dépend fortement des personnes concernées mais aussi de la valeur de la tension artérielle réelle de la personne. Ils ont aussi observé que les mêmes impulsions pouvaient conduire à l'obtention de valeurs différentes de tensions artérielles, ce qui n'a pas été pris en compte dans les solutions actuelles.

[0006] Un but de la présente invention est de remédier à au moins un des inconvénients de l'état de la technique.

[0007] Un autre but de l'invention est de proposer une solution plus précise d'estimation de la tension artérielle à partir d'un signal de battement cardiaque.

[0008] Un autre but de l'invention est de proposer une solution d'estimation de la tension artérielle à partir d'un signal de battement cardiaque, dont la précision ne varie pas, ou moins, en fonction de la personne concernée.

[0009] Un autre but de l'invention est proposer une solution d'estimation de la tension artérielle à partir d'un signal de battement cardiaque, produisant une valeur de tension artérielle différente pour les mêmes impulsions extraites d'une personne différente.

Exposé de l'invention

[0010] L'invention propose d'atteindre au moins l'un des buts précités par un procédé d'estimation d'une valeur de tension artérielle pour une personne cible à partir d'au moins un signal de battement cardiaque, ledit procédé comprenant au moins une itération d'une phase de prédiction comprenant les étapes suivantes :

- mesure d'un premier signal de battement cardiaque de ladite personne cible, et

- estimation d'une valeur de tension artérielle avec un modèle intelligent, en fonction dudit premier signal de battement cardiaque ; caractérisé en ce que l'étape d'estimation est réalisée avec un modèle intelligent préalablement associé à ladite personne cible, et sélectionné parmi plusieurs modèles intelligents préalablement entrainés pour l'estimation de tension artérielle.

[0011] Ainsi, la présente invention propose d'utiliser un modèle intelligent spécifique pour la personne cible concernée par l'estimation de la tension artérielle, ce modèle intelligent étant préalablement sélectionné pour ladite personne parmi plusieurs modèles intelligents entrainés pour l'estimation de la tension artérielle à partir d'un signal de battement cardiaque. Le modèle intelligent peut par exemple être sélectionné en fonction de, ou associé à, une classe dans laquelle est classée la personne cible lors d'une phase de classification tel qu'il sera décrit plus loin.

[0012] Ainsi, la présente invention permet d'utiliser un modèle intelligent adapté à chaque personne cible, contrairement aux solutions de l'état de la technique qui utilisent un modèle intelligent générique quelle que soit les personnes cibles. Par conséquent, la présente invention permet de réaliser une estimation plus précise de la tension artérielle comparée aux solutions actuelles. De plus, la présente invention permet de réaliser une estimation de la tension artérielle dont la précision ne varie pas, ou varie très peu, en fonction de la personne concernée.

[0013] L'invention propose d'utiliser un modèle spécifique associé à une personne parmi plusieurs modèles.

[0014] Chacun de ces modèles peut se présenter de manière individuelle.

[0015] Alternativement, au moins deux, et en particulier tous les, modèles peuvent être intégrés au sein d'un modèle global qui englobe lesdits modèles. Dans ce cas, le modèle global prend en compte, en plus de la donnée d'entrée déduite à partir du premier signal de battement cardiaque, une donnée indiquant le modèle spécifique à utiliser pour la personne et préalablement associé à ladite personne.

[0016] Dans la présente demande, par « signal de battement cardiaque », on entend tout type de signal renseignant sur le(s) battement(s) cardiaque(s) d'un sujet, et de manière générale un signal impulsionnel comprenant une ou plusieurs impulsions, chaque impulsion correspondant à un battement cardiaque. Un signal de battement(s) cardiaque(s) peut être, sans perte de généralité, un signal de pouls obtenu par contact ou à distance du corps du sujet, un signal photopléthysmographique, PPG, (« photopléthysmography » en anglais), un signal PPG sans contact, rPPG, (« remote photopléthysmography »), etc. [0017] Le signal de battement cardiaque peut être un signal de pression comprenant une ou plusieurs impulsions.

[0018] Suivant des modes de réalisation, la phase de prédiction peut comprendre une étape pour obtenir, à partir du premier signal, au moins une impulsion, dite première impulsion, l'étape d'estimation de la valeur de la tension artérielle étant réalisée en fonction de ladite au moins une première impulsion.

[0019] Dans ce cas, l'estimation de la valeur de la tension artérielle est réalisée en fonction d'une, ou plusieurs, impulsions contenues dans le premier signal et qui est extraite du premier signal.

[0020] Dans ce cas, les données fournies en entrée du modèle intelligent comprennent un vecteur de N valeurs représentant chaque première impulsion, et obtenue par discrétisation de ladite première impulsion.

[0021] Bien entendu, il est possible d'obtenir plusieurs premières impulsions à partir du premier signal. Dans ce cas, l'étape d'estimation réalise une estimation d'une valeur de tension artérielle, dite individuelle, à partir de chaque première impulsion individuellement.

[0022] Suivant un mode de réalisation, le procédé selon l'invention peut fournir plusieurs valeurs de tension artérielle correspondant, chacune, à une valeur de tension artérielle individuelle estimée. Alternativement, le procédé selon l'invention peut comprendre une étape de calcul d'une valeur de tension artérielle, dite globale, à partir de plusieurs valeurs de tension artérielle individuelles, par exemple par moyennage.

[0023] Suivant encore un autre mode de l'invention, l'estimation de la valeur de la tension artérielle peut être réalisée en fonction de plusieurs impulsions entrées, en particulier en parallèle, dans le modèle d'estimation qui fournit alors une valeur de tension artérielle en fonction de plusieurs impulsions.

[0024] Suivant des modes de réalisation, l'étape d'obtention de la première impulsion peut comprendre les étapes suivantes :

- extraction de plusieurs, et en particulier de toutes les, impulsions dans le premier signal, et - filtrage des impulsions extraites en fonction d'au moins critère de qualité relatif à la forme desdites impulsions.

[0025] Dans ce cas, plusieurs, et en particulier toutes les, impulsions se trouvant dans le premier signal sont extraites du premier signal. Ces impulsions sont filtrées et seules sont conservées les impulsions qui vérifient un ou des critères qualité prédéfinis, de sorte que l'estimation de la tension artérielle est réalisée uniquement en fonction d'au moins une impulsion dont la qualité est satisfaisante. Ainsi, l'invention permet d'améliorer la précision de l'estimation de la valeur de la tension artérielle tout en limitant les imprécisions dues aux bruits, et/ou aux spécificités ponctuelles, contenu(e)s dans telle ou telle impulsion.

[0026] Suivant des modes de réalisation, au moins un critère de qualité peut comprendre au moins un des critères suivants :

- un écart type de l'impulsion par rapport à l'ensemble des impulsions, - un K plus proches voisins de chaque impulsion par rapport à l'ensemble des impulsions, etc.

La valeur calculée du critère de qualité pour chaque impulsion peut être comparée à une valeur seuil prédéterminée pour chaque critère de qualité. Si la valeur calculée satisfait le seuil alors l'impulsion peut être considérée comme étant de bonne qualité et conservée, dans le cas contraire l'impulsion peut être considérée comme étant de mauvaise qualité et éliminée.

[0027] Avantageusement, le procédé selon l'invention peut comprendre, préalablement à la première itération de la phase de prédiction, une phase de classification de la personne cible dans une classe parmi plusieurs classes, en fonction d'au moins un couple de données comprenant :

- un deuxième signal de battement cardiaque, et

- une valeur de tension artérielle, dite deuxième valeur de tension artérielle ; mesurés pour ladite personne à un instant donné, chaque classe étant associée à un modèle de prédiction préalablement entrainé.

[0028] Ainsi, le modèle intelligent utilisé pour l'estimation de la tension artérielle de la personne cible correspond au modèle intelligent associé à la classe dans laquelle est classée ladite personne cible. [0029] En d'autre termes, le procédé selon l'invention propose de classer chaque personne cible dans une classe parmi plusieurs classes, d'entrainer un modèle intelligent d'estimation de la tension artérielle spécifique pour chaque classe, et d'utiliser le modèle intelligent associé à chaque classe pour l'estimation de la tension artérielle de toute personne se trouvant dans ladite classe.

[0030] Plus particulièrement, la phase de classification peut comprendre les étapes suivantes :

- mesure de plusieurs couples de données mesurés pour la personne cible, et

- sélection d'au moins deux deuxièmes signaux pour lesquels les tensions artérielles mesurées sont identiques ; de sorte que la classification de la personne cible est réalisée uniquement en fonction desdits deuxième signaux sélectionnés.

[0031] La mesure de plusieurs couples de données permet d'éviter des erreurs de classification d'une personne cible, par exemple en s'assurant que la classification de la personne cible est réalisée lorsque la personne est en état de repos. En effet, le fait de mesurer plusieurs deuxièmes signaux de battement cardiaque et une tension artérielle pour chaque deuxième signal de battement cardiaque, puis de sélectionner des deuxièmes signaux de battement cardiaque en fonction des valeurs de tension artérielle qui leur sont associées permet de s'assurer que la personne cible présente une tension artérielle constante et une forme d'impulsion unique lors de son classement, et donc que son classement est réalisé de manière correcte.

[0032] Suivant des exemples de réalisation, il est mesuré trois couples de données comprenant, chacun, un deuxième signal de battement cardiaque, et une valeur de tension artérielle. Les tensions artérielles mesurées sont comparées entre elles. Si plusieurs valeurs de tensions artérielles sont identiques, ou présentent une différence inférieure ou égale à un seuil prédéterminé, alors les deuxièmes signaux de battement cardiaque correspondant peuvent être utilisés pour la classification. Si toutes les valeurs de tension artérielle sont différentes, ou présentent des différences supérieures au seuil prédéterminé, alors les signaux de battement cardiaque correspondants ne peuvent pas être utilisés pour la classification et de nouveaux couples de données sont mesurés.

[0033] Suivant des modes de réalisation, la phase de classification peut comprendre une étape pour obtenir, à partir de l'au moins un deuxième signal, une forme d'onde d'impulsion, dite deuxième forme d'onde, la classification de la personne cible dans une classe étant réalisée à partir de ladite deuxième forme d'onde et de la deuxième valeur de tension artérielle qui lui est associée.

[0034] Dans le cas où plusieurs deuxièmes signaux de battement cardiaque sont utilisés pour la classification, tel que décrit ci-dessus, alors la deuxième forme d'onde est calculée en fonction des impulsions se trouvant dans ces plusieurs deuxièmes signaux.

[0035] Suivant des modes de réalisation, l'étape d'obtention de la deuxième forme d'onde peut comprendre les étapes suivantes :

- pour au moins un, et en particulier chaque, deuxième signal :

■ extraction de plusieurs, et en particulier de toutes les, impulsions contenues dans ledit deuxième signal,

■ filtrage des impulsions extraites en fonction d'au moins critère de qualité relatif à la forme desdites impulsions extraites, et

- génération de la deuxième forme d'onde référence en fonction, et en particulier par moyennage, des impulsions conservées après filtrage.

[0036] Autrement dit, la deuxième forme d'onde est déduite à partir des impulsions extraites depuis chaque deuxième signal de battement cardiaque et qui vérifient des critères de qualité.

[0037] Suivant des modes de réalisation, la phase de classification d'une personne cible dans une classe peut comprendre une identification d'une classe parmi un groupe de classes en fonction d'au moins un paramètre de similitude entre la deuxième forme d'onde et une forme d'onde de référence associée à chacune desdites classes.

[0038] Dans ce cas, un paramètre similitude est calculé entre la deuxième forme d'onde et chaque forme d'onde de référence associée à chacune des classes dans le groupe de classes. La classe associée à la personne cible peut par exemple être la classe pour laquelle la plus grande similitude est obtenue entre la forme d'onde de référence associée à ladite classe et la deuxième forme d'onde.

[0039] Le paramètre de similitude peut comprendre au moins un des paramètres suivants :

- une corrélation entre les formes d'onde,

- une position de crête dans les formes d'onde,

- un nombre de crêtes dans les formes d'onde,

- etc.

[0040] Suivant des modes de réalisation, il peut être prévu plusieurs groupes de classes, chaque groupe de classes étant associé à une plage de valeurs de tension artérielle.

[0041] Dans ce cas, la phase de classification d'une personne cible dans une classe peut comprendre une sélection d'un groupe de classes, parmi plusieurs groupes de classes, en fonction de la valeur de la tension artérielle d'au moins un couple de données.

[0042] Le procédé selon l'invention peut en outre comprendre, pour au moins une, en particulier chaque, classe, une phase d'entrainement du modèle intelligent associé à ladite classe avec une base d'entrainement spécifique à ladite classe.

[0043] L'entrainement du modèle intelligent peut être réalisé de manière classique tel que connu dans l'état de la technique en utilisant une base d'entrainement comprenant des jeux d'entrainement, chaque jeu d'entrainement comprenant :

- une impulsion d'entrainement, et

- une valeur de tension artérielle d'entrainement, mesurée pour ladite impulsion.

[0044] L'entrainement peut être réalisée en utilisant un algorithme d'entrainement connu, tel que par exemple l'algorithme de rétropropagation du gradient de l'erreur dans le cas d'un réseau neuronal régressif. [0045] Étant donné que chaque classe est associée à un modèle intelligent entrainé spécifiquement pour ladite classe, alors il est indispensable de prévoir une base d'entrainement spécifique pour ladite classe.

[0046] Il est possible de construire une telle base d'entrainement spécifique à chaque classe en même temps que la définition des classes.

[0047] Le procédé selon l'invention peut comprendre une phase préliminaire, dite phase de construction, pour construire les classes, et éventuellement la base d'entrainement spécifique à chaque classe. Une telle phase de construction peut comprendre les étapes suivantes :

- mesure, pour une multitude de personnes, de couples de données comprenant, chacun :

■ un signal de battement cardiaque, et

■ une valeur de tension artérielle pour chaque impulsion contenue dans ledit signal de battement cardiaque. Avantageusement, chaque couple de données peut être mesuré tout en s'assurant que la personne est en état de repos ;

- construction, pour chaque signal de battement cardiaque, d'une forme d'onde, par exemple tel que décrit plus haut : extraction des impulsions, sélection de bonnes impulsions puis moyennage ;

- regroupement des formes d'onde ainsi obtenues en plusieurs classes, en fonction :

■ d'au moins un paramètre de similitude, tel que par exemple au moins un des paramètres de similitude décrits plus haut : corrélation, position(s) de crête(s) dans l'impulsion, nombre de crêtes dans l'impulsion, etc. ; et

■ éventuellement de la valeur de tension artérielle associée à chaque forme d'onde. La valeur de tension artérielle associée à chaque forme d'onde peut être calculée en fonction des tensions artérielles mesurées pour les impulsions utilisées pour construire la forme d'onde, en particulier par moyennage desdites tensions artérielles mesurées.

[0048] La valeur de tension artérielle [0049] Pour chaque classe, une forme d'onde de référence peut être calculée, par exemple par moyennage, des formes d'onde regroupées dans ladite classe.

[0050] Ainsi, on obtient plusieurs classes, et pour chaque classe une forme d'onde de référence.

[0051] Optionnellement, on obtient aussi pour chaque classe, des couples données d'entrainement d'un modèle intelligent spécifique à chaque classe, chaque couple d'entrainement comprenant :

- une impulsion extraite de chaque signal de battement cardiaque, et

- une valeur de tension artérielle, associée à ladite impulsion extraite du signal de battement cardiaque.

[0052] Suivant des modes de réalisation, au moins une valeur de tension artérielle peut être une valeur de tension artérielle systolique ou une valeur de tension artérielle diastolique.

[0053] Suivant des modes de réalisation, au moins un signal de battement cardiaque peut être :

- un signal photopléthysmographique, PPG ;

- un signal PPG sans contact, rPPG ;

- un signal de pouls mesuré par un capteur au contact du corps de la personne cible, tel qu'un capteur de pression ;

- etc.

[0054] Suivant des modes de réalisation, pour au moins une classe, le modèle intelligent associé à ladite classe peut être un réseau neuronal.

[0055] Alternativement, pour au moins une classe, le modèle intelligent associé à ladite classe peut être un modèle polynomiale, un arbre décisionnel, etc.

[0056] La tension artérielle peut être mesurée de toute manière connue, par exemple par un tensiomètre. [0057] Selon un autre aspect de l'invention, il est proposé un programme d'ordinateur comprenant des instructions exécutables qui, lorsqu'elles sont exécutées par un appareil informatique, mettent en en œuvre toutes les étapes du procédé selon l'invention d'estimation d'une tension artérielle à partir d'un signal de battement cardiaque.

[0058] Le programme d'ordinateur peut être en tout langage informatique, tel que par exemple en langage machine, en C, C++, JAVA, Python, etc.

[0059] Selon un autre aspect de l'invention, il est proposé un dispositif d'estimation d'une valeur de tension artérielle pour une personne cible comprenant :

- au moins un moyen de mesure d'un signal de battement cardiaque, et

- au moins une unité de calcul ; configurés pour mettre en œuvre le procédé selon l'invention.

[0060] Le moyen de mesure d'un signal de battement cardiaque peut être un moyen de mesure en contact avec la peau, tel qu'un capteur piézoélectrique ou un capteur de pression.

[0061] Le moyen de mesure d'un signal de battement cardiaque peut être un moyen de mesure sans contact, tel qu'une caméra prévue pour capter un flux d'images, associée à une unité de traitement prévue pour générer le signal de battement cardiaque, et en particulier un signal rPPG, par traitement des images captées.

[0062] Le dispositif selon l'invention peut comprendre une première unité de traitement prévue pour mettre en œuvre la phase de prédiction du procédé selon l'invention.

[0063] Optionnellement, le dispositif selon l'invention peut en outre comprendre une deuxième unité de traitement prévue pour mettre en œuvre la phase classification du procédé selon l'invention. [0064] Optionnellement, le dispositif selon l'invention peut comprendre une troisième unité de traitement prévue pour mettre en œuvre la phase de construction du procédé selon l'invention.

[0065] Au moins une unité de traitement peut être :

- une unité logicielle, tel qu'un programme d'ordinateur ou une application informatique ; ou

- une unité matérielle telle qu'un processeur, une puce informatique, un ordinateur, un serveur, etc. ; ou

- une combinaison quelconque d'au moins une unité logicielle et d'au moins une unité matérielle.

Description des figures et modes de réalisation

[0066] D'autres avantages et caractéristiques apparaîtront à l'examen de la description détaillée de modes de réalisation nullement limitatifs, et des dessins annexés sur lesquels :

- la FIGURE 1 est une représentation schématique d'un exemple de réalisation non limitatif d'une phase de construction pouvant être mise en œuvre dans la présente invention ;

- la FIGURE 2 est une représentation schématique d'un exemple de réalisation non limitatif d'une phase de classification pouvant être mise en œuvre dans la présente invention ;

- la FIGURE 3 est une représentation schématique d'un exemple de réalisation non limitatif d'un procédé selon l'invention ; et

- la FIGURE 4 est une représentation schématique d'un exemple de réalisation non limitatif d'un dispositif selon l'invention.

[0067] Il est bien entendu que les modes de réalisation qui seront décrits dans la suite ne sont nullement limitatifs. On pourra notamment imaginer des variantes de l'invention ne comprenant qu'une sélection de caractéristiques décrites par la suite isolées des autres caractéristiques décrites, si cette sélection de caractéristiques est suffisante pour conférer un avantage technique ou pour différencier l'invention par rapport à l'état de la technique antérieure. Cette sélection comprend au moins une caractéristique de préférence fonctionnelle sans détails structurels, ou avec seulement une partie des détails structurels si c'est cette partie qui est uniquement suffisante pour conférer un avantage technique ou pour différencier l'invention par rapport à l'état de la technique antérieure.

[0068] En particulier toutes les variantes et tous les modes de réalisation décrits sont combinables entre eux si rien ne s'oppose à cette combinaison sur le plan technique.

[0069] Sur les figures et dans la suite de la description, les éléments communs à plusieurs figures conservent la même référence.

[0070] La FIGURE 1 est une représentation schématique d'un exemple de réalisation non limitatif d'une phase de construction pouvant être mise en œuvre dans la présente invention.

[0071] La phase de construction 100 de la FIGURE 1 peut être mise en œuvre pour construire plusieurs classes utilisées pour l'estimation d'une tension artérielle à partir d'un signal de battement cardiaque selon la présente invention. La phase 100 peut optionnellement être mise en œuvre pour construire des bases d'entrainement spécifiques à chaque classe, et utilisées pour entrainer le modèle intelligent associé à chaque classe.

[0072] La phase de construction 100 comprend une étape 102 de mesure, pour une personne donnée, d'un couple de données comprenant :

- un signal de battement cardiaque comprenant une ou plusieurs impulsions correspondant chacune à un battement cardiaque, et

- une valeur de tension artérielle pour chaque impulsion contenue dans ledit signal de battement cardiaque ; mesuré à un instant donné.

[0073] Le signal de battement cardiaque peut correspondre à un signal d'une durée prédéterminée, telle que par exemple de 30 secondes.

[0074] Dans la suite, et sans perte de généralité, il est considéré à titre d'exemple non limitatif que le signal de battement cardiaque est un signal PPG ou rPPG.

[0075] Lors d'une étape 104, le signal de battement cardiaque est traité pour extraire une ou plusieurs impulsions contenues dans ledit signal. [0076] Lors d'une étape 106, optionnelle, les impulsions extraites à l'étape 104 sont filtrées en fonction d'au moins un critère de qualité, tel que :

- un écart type de l'impulsion par rapport à l'ensemble des autres impulsions, et/ou

- un K plus proches voisins de chaque impulsion par rapport aux autres impulsions, etc.

Pour chaque critère de qualité, la valeur calculée pour chaque impulsion est comparée à une valeur seuil prédéterminée pour ledit critère de qualité. Si la valeur calculée est conforme au seuil prédéterminé alors l'impulsion est considérée comme étant de bonne qualité et conservée, dans le cas contraire l'impulsion est considérée comme étant de mauvaise qualité et éliminée.

[0077] L'étape de filtrage 106 fournit donc uniquement des impulsions qui sont considérées comme étant de qualité satisfaisante.

[0078] Lors d'une étape optionnelle 107, chaque impulsion ainsi conservée et la tension artérielle qui lui est associée (mesurée à l'étape 102 en même temps que le signal de battement cardiaque) peut former un jeu de d'entrainement pour entrainer un modèle intelligent. Par conséquent, chaque couple de données {impulsion ;tension artérielle} est mémorisée comme jeu d'entrainement en vue de former une base d'entrainement pour entrainer un modèle intelligent spécifique à une classe.

[0079] Lors d'une étape 108, une forme d'onde est calculée à partir des impulsions conservées à l'étape 106, par exemple par moyennage. La forme d'onde ainsi obtenue est mémorisée en association avec la valeur de la tension artérielle mesurée à l'étape 102.

[0080] Les étapes 102-108 sont réitérées pour une multitude de personnes, par exemple pour plusieurs milliers de personnes. Ainsi, on obtient une multitude de couple de données {forme d'onde ;tension artérielle}, mais aussi une multitude de jeux d'entrainement.

[0081] Puis, lors d'une étape 110, les multitudes de formes d'onde obtenues sont regroupées en plusieurs classes, en fonction d'au moins un paramètre de similitude. Le paramètre de similitude peut comprendre au moins un des paramètres suivants :

- une corrélation entre deux formes d'onde, - une position de crête dans les formes d'onde,

- un nombre de crêtes dans les formes d'onde,

- etc.

[0082] A la fin de l'étape 110, on obtient plusieurs, en particulier M, classes, notées CI-CM, chaque classe Ci comprenant des formes d'onde qui sont identiques ou du moins similaires.

[0083] Optionnellement, lors de l'étape 110, le regroupement des formes d'ondes peut être réalisée en outre en fonction de la valeur de tension artérielle associée à chaque forme d'onde. La valeur de tension artérielle associée à chaque forme d'onde peut être calculée, en particulier par moyennage, à partir des tensions artérielles mesurées pour les impulsions utilisées pour construire la forme d'onde.

[0084] De manière optionnelle, mais particulièrement avantageuse, la phase de construction 100 peut comprendre, pour chaque classe, une étape 112 de construction d'une base de données d'entrainement, spécifique à ladite classe. Pour ce faire, pour chaque classe Ci, les impulsions utilisées pour calculer une forme se trouvant dans ladite classe Ci sont identifiées. Chacune de ces impulsions a été mémorisée lors de l'étape 107 en association avec une valeur de tension artérielle et forme, avec ladite valeur de tension artérielle, un jeu d'entrainement. Chaque jeu d'entrainement ainsi identifié est ajouté dans une base de donnée d'entrainement Bi spécifique à ladite classe Ci, pour entrainer un modèle spécifique à ladite classe Ci. Ainsi, chaque jeu d'entrainement comprend :

- une impulsion d'entrainement, à savoir une impulsion conservée à l'étape 106, et

- une valeur de tension artérielle d'entrainement, à savoir la valeur de tension artérielle mémorisée à l'étape 107 avec l'impulsion d'entrainement.

A la fin de l'étape 112 on obtient donc M bases d'entrainement, BI-BM, chacune spécifique à une des M classes CI-CM.

[0085] Lors d'une étape 114, pour chaque classe Ci, une forme d'onde de référence est calculée par moyennage de toutes les formes d'ondes identiques ou similaires qui ont été regroupées dans ladite classe Ci. En fin de l'étape 114 on obtient donc M formes d'ondes de référence, FORI- FORM, chacune spécifique à une des M classes CI-CM.

[0086] De manière optionnelle, la phase de construction 100 peut comprendre une étape optionnelle 120, exécutée avant l'étape 110, et réalisant un regroupement préliminaire des formes d'ondes dans plusieurs plages de valeurs de tension artérielle, en fonction des valeurs de tension artérielles mémorisées en association avec lesdites formes d'onde à l'étape 108. Dans ce cas, les étapes 110 et 112 sont réalisées individuellement pour chaque plage de valeurs de tension artérielle pour obtenir, pour ladite plage de valeurs de tension artérielle, un groupe d'une ou plusieurs classes. Chaque classe de chaque plage de valeurs de tension artérielle sera associée à une forme d'onde de référence et, optionnellement, une base d'entrainement spécifique pour entrainer un modèle intelligent associé à ladite classe.

[0087] De manière optionnelle, la phase de construction 100 peut en outre comprendre, pour chaque classe Ci, une étape (non représentée) d'entrainement du modèle intelligent, tel qu'un réseau de neurones régressif, spécifique à ladite classe Ci, avec la base d'entrainement Bi spécifique à ladite classe Ci. Ainsi, un modèle intelligent est entrainé spécifiquement pour chaque classe Ci est obtenu.

[0088] Pour rappel, pour chaque classe Ci, la base d'entrainement Bi comprend une multitude de jeux d'entrainement, chaque jeu d'entrainement comprenant une impulsion d'entrainement et une valeur de tension artérielle d'entrainement.

[0089] Lorsque le modèle intelligent est un réseau de neurones, l'entrainement du réseau de neurones peut être réalisé comme suit.

[0090] L'entrainent peut comprendre une étape de test réalisée individuellement pour chaque jeu d'entrainement de la base Bi. Lors de cette étape de test, l'impulsion d'entrainement du jeu d'entrainement est donnée en entrée du réseau de neurones, par exemple sous la forme d'un vecteur de N valeurs représentant ladite impulsion d'entrainement. Le réseau de neurones fournit alors en sortie une valeur estimée de tension artérielle. Une erreur, dite individuelle, notée El, est calculée pour ledit jeu d'entrainement en fonction de la valeur estimée de la tension artérielle et la valeur d'entrainement de la tension artérielle dudit jeu d'entrainement. L'étape de test est réalisée pour chaque jeu d'entrainement de la base Bi de sorte à obtenir une erreur individuelle El pour chaque jeu d'entrainement de ladite base d'entrainement Bi.

[0091] Lors d'une étape suivante, une erreur globale, EG, est calculée pour l'ensemble des jeux d'entrainement de la base d'entrainement Bi, par exemple en moyennant toutes les erreurs individuelles El.

[0092] L'entrainement peut ensuite comprendre une étape de rétroaction, lors de laquelle les coefficients, ou poids, du réseau de neurones peuvent être mis à jour, par exemple par un algorithme de rétropropagation du gradient de l'erreur.

[0093] L'entrainement peut être répétée plusieurs fois jusqu'à ce que l'erreur globale EG ne varie plus pendant plusieurs, par exemple 5, itérations successives de l'entrainement. Lorsque c'est le cas, le réseau de neurones peut être considéré suffisamment entrainé et la phase d'entrainement peut être terminée.

[0094] Alternativement, ou en plus de ce qui vient d'être décrit, il est possible d'utiliser une première partie de la base d'entrainement Bi pour l'entrainement du réseau de neurones et une deuxième partie de la base d'entrainement Bi pour valider l'entrainement du réseau de neurones. Si les sorties du réseau de neurones obtenues sont assez proches des valeurs attendues, l'apprentissage peut être considéré comme acceptable. Sinon, plus de jeux d'entrainements peuvent être présentés, ou bien la topologie du réseau de neurones peut être modifiée (nombre de couches, nombre de neurones par couches, etc.) jusqu'à obtention d'un apprentissage satisfaisant.

[0095] L'entrainement est réalisé individuellement pour chaque classe Ci, avec la base d'entrainement Bi associée à ladite classe Ci de sorte à obtenir un modèle intelligent, en particulier un réseau de neurones, spécifiquement en trainé pour chaque classe Ci. [0096] La FIGURE 2 est une représentation schématique d'un exemple de réalisation non limitatif d'une phase de classification pouvant être mise en œuvre dans la présente invention.

[0097] La phase de classification 200 de la FIGURE 2 peut être utilisée pour classer une personne dans une classe parmi plusieurs classes pour l'estimation d'une tension artérielle à partir d'au moins un signal de battement cardiaque.

[0098] La phase de classification 200 peut être utilisée dans un procédé selon l'invention, seule ou en combinaison avec la phase de construction 100 de la FIGURE 1.

[0099] La phase de classification 200 comprend une étape 202 de mesure, pour une personne donnée, d'au moins un, et de préférence plusieurs, par exemple 3, couples de données. Chaque coupe de données comprend :

- une valeur de tension artérielle ; mesurés à un instant donné.

[0100] Le signal de battement cardiaque peut correspondre à un signal d'une durée prédéterminée, telle que par exemple de 30 secondes.

[0101] Dans la suite, et sans perte de généralité, il est considéré à titre d'exemple non limitatif que le signal de battement cardiaque est un signal PPG ou rPPG.

[0102] Lorsque plusieurs couples de données sont mesurés à l'étape 202, alors la phase de classification 200 peut comprendre une étape 212, optionnelle, vérifiant que les couples de donnés mesurés sont utilisables, et en particulier que les couples de données ont été mesurés pendant que la personne cible est au repos. Pour ce faire, les tensions artérielles mesurées sont comparées entre elles :

- si toutes les valeurs de tensions artérielles ou toutes les formes d'impulsions sont différentes, ou présentent des différences supérieures à un seuil prédéterminé, alors les signaux de battement cardiaques correspondants ne peuvent pas être utilisés pour la classification et de nouvelles couples de données sont mesurés, lors d'une nouvelle itération de l'étape 202 ;

- si plusieurs valeurs de tensions artérielles sont identiques, ou présentent une différence inférieure ou égale à un seuil prédéterminé, alors les signaux de battement cardiaques correspondant peuvent être utilisés pour la classification. Les autres signaux de battement cardiaque sont éliminés.

[0103] Lors d'une étape 204, chaque signal de battement cardiaque conservé est traité pour extraire une ou plusieurs impulsions contenues dans ledit signal de battement cardiaque, par exemple de manière similaire à l'étape 104.

[0104] Lors d'une étape 206, optionnelle, les impulsions extraites de tous les signaux de battement cardiaque sont filtrées en fonction d'au moins un critère de qualité, tel que :

Pour chaque critère de qualité, la valeur calculée pour chaque impulsion est comparée à une valeur seuil prédéterminée pour ledit critère de qualité. Si la valeur calculée est conforme au seuil prédéterminé alors l'impulsion est considérée comme étant de bonne qualité et est conservée, dans le cas contraire l'impulsion est considérée comme étant de mauvaise qualité et est éliminée.

[0105] Lors d'une étape 208, une forme d'onde est calculée à partir des impulsions conservées lors de l'étape 206, par exemple par moyennage desdites impulsions. La forme d'onde ainsi obtenue est mémorisée, comme étant la forme d'onde associée la personne cible.

[0106] Cette forme d'onde associée à la personne cible est ensuite utilisée, lors d'une étape 210, pour identifier la classe à laquelle la personne cible appartient, par exemple parmi les classes CI-CM de la FIGURE 1. L'identification de la classe de la personne cible peut être réalisée en fonction d'au moins un paramètre de similitude entre la forme d'onde de la personne cible et la forme d'onde de référence associée à chaque classe. La paramètre de similitude peut comprendre au moins un des paramètres suivants :

- une corrélation entre deux formes d'onde,

- une position de crête dans les formes d'onde,

- un nombre de crêtes dans les formes d'onde,

- etc.

La valeur de la, ou de chaque, paramètre de similitude est calculée entre la forme d'onde calculée pour la personne cible à l'étape 208 et la forme d'onde de référence associée à chaque classe. La classe Ci dont la forme d'onde référence FORj a le plus de similitude avec la forme d'onde associée à la personne cible est sélectionnée comme étant la classe associée à la personne cible.

[0107] Ainsi, pour cette personne cible, c'est le modèle intelligent associé à la classe Ci qui sera utilisé pour estimer la tension artérielle de ladite personne cible en fonction d'un signal de battement cardiaque.

[0108] La phase de classification 200 peut être réalisée une seule fois pour une personne cible.

[0109] Alternativement, la phase de classification 200 peut être réalisée aussi souvent que souhaité pour vérifier la classification d'une personne, ou reclasser la personne, par exemple lorsque son état de santé change.

[0110] La FIGURE 3 est une représentation schématique d'un exemple de réalisation non limitatif d'un procédé selon l'invention.

[OUI] Le procédé 300 de la FIGURE 3 peut être utilisé pour estimer une valeur de tension artérielle à partir d'au moins un signal de battement cardiaque, pour une personne cible.

[0112] Le procédé 300 comprend une étape 302 de mesure, sur la personne cible, d'un signal de battement cardiaque, par tout moyen connu. Le signal de battement cardiaque peut être :

- un signal PPG ;

- un signal rPPG ; - un signal de pouls mesuré par un capteur au contact du corps de la personne, tel qu'un capteur de pression ;

- etc.

[0113] Le signal de battement cardiaque peut être mesuré avec un capteur en contact avec la peau, tel qu'un capteur piézoélectrique ou un capteur de pression. Alternativement, le signal de battement cardiaque peut être mesuré par un capteur de mesure sans contact, tel qu'une caméra prévue pour capteur un flux d'images d'un visage de la personne cible, associée à une unité de traitement prévue pour générer le signal de battement cardiaque, et en particulier un signal rPPG, par traitement des images captées.

[0114] Lors d'une étape 304, le signal de battement cardiaque mesuré à l'étape 302 est traité pour extraire une ou plusieurs impulsions contenues dans ledit signal de battement cardiaque, par exemple de manière similaire à l'étape 104 ou à l'étape 204.

[0115] Lors d'une étape 306, optionnelle, les impulsions extraites sont filtrées en fonction d'au moins un critère de qualité, tel que :

[0116] Lors d'une étape 310, le modèle intelligent pré-entrainé associé à la personne cible est sélectionné, par exemple en fonction d'un identifiant de la personne cible, ou un identifiant dudit modèle intelligent pré-entrainé.

[0117] Puis, lors d'une étape 312 au moins une, en particulier chaque, impulsion conservée à l'étape 306 est entrée dans le modèle intelligent pré- entrainé associé à la personne cible pour obtenir une valeur estimée de la tension artérielle, TAE, de la personne cible au moment de la mesure du signal de battement cardiaque à l'étape 302. Ainsi, une valeur de tension artérielle individuelle est obtenue pour chaque impulsion entrée dans le modèle intelligent. Si plusieurs valeurs de tension artérielle individuelles sont obtenues, chaque valeur de tension artérielle individuelle peut être fournie. Alternativement, une valeur de tension artérielle globale peut être calculée à partir de toutes les valeurs de tension artérielle individuelles.

[0118] Les étapes 302-312 forment une phase de prédiction 314 qui peut être répétée autant de fois que souhaitée, à la fréquence souhaitée.

[0119] Dans l'exemple décrit, et de manière nullement limitative, l'estimation de la tension artérielle est réalisée pour une impulsion individuellement.

[0120] Alternativement, le modèle intelligent peut prendre en entrée plusieurs impulsions, en série ou en parallèle, pour fournir :

- soit une valeur de tension artérielle individuelle pour chaque impulsion,

- soit une valeur de tension artérielle pour l'ensemble des impulsions entrées dans ledit modèle.

[0121] Le procédé 300 peut en outre comprendre, optionnellement :

- la phase de classification 200 de la FIGURE 2, et/ou

- la phase de construction 100 de la FIGURE 1.

[0122] Dans ce cas, la phase de classification 200 peut être réalisée immédiatement avant, ou bien avant, la première itération de la phase de prédiction 314. De plus, la phase construction 100 peut être réalisée immédiatement avant, ou bien avant, la phase de de classification 200.

[0123] En outre, comme indiqué plus haut, la phase de classification peut être réalisée une seule fois, ou être réitérée autant de fois que souhaité pour vérifier/modifier la classification d'une personne, par exemple en particulier en fonction de son état de santé.

[0124] Ainsi, le procédé 300, et plus globalement la présente invention, propose d'utiliser un modèle spécifique associé à une personne parmi plusieurs modèles spécifiques. Chacun de ces modèles peut se présenter de manière individuelle. Alternativement, au moins deux, et en particulier tous les, modèles peuvent être intégrés au sein d'un modèle global qui englobe lesdits modèles. Dans ce cas, le modèle global prend en entrée :

- une première impulsion extraite du premier signal, et

- une donnée indiquant le modèle spécifique à utiliser pour la personne, ou la classe Ci dans laquelle la personne cible a préalablement été classée, lors de la phase de classification 200.

[0125] La FIGURE 4 est une représentation schématique d'un exemple de réalisation non limitatif d'un dispositif selon l'invention.

[0126] Le dispositif 400 de la FIGURE 4 peut être utilisée pour mettre en œuvre un procédé selon l'invention, et en particulier le procédé 300 de la FIGURE 3.

[0127] Le dispositif 400 comprend un capteur 402 pour mesurer un signal de battement cardiaque. Le capteur peut être un capteur en contact avec la peau, tel qu'un capteur piézoélectrique ou un capteur de pression. Alternativement, dans l'exemple représenté, le capteur 402 comprend une caméra prévue pour capteur une flux d'images d'un visage de la personne cible, ladite caméra étant associée à une unité de calcul prévue pour générer le signal de battement cardiaque, et en particulier un signal rPPG, par traitement des images captées.

[0128] Le dispositif 400 comprend en outre une unité de calcul 404 pour mettre en œuvre la phase d'estimation du procédé selon l'invention, et en particulier la phase d'estimation 314 de la FIGURE 4.

[0129] Le dispositif 400 peut optionnellement comprendre une unité de calcul 406 pour mettre en œuvre la phase de construction du procédé selon l'invention, et en particulier la phase de construction 100 de la FIGURE 1.

[0130] Le dispositif 400 peut optionnellement comprendre une unité de calcul 408 pour mettre en œuvre la phase de classification du procédé selon l'invention, et en particulier la phase de classification 200 de la FIGURE 2.

[0131] De manière optionnelle, le dispositif 400 peut en outre comprendre, ou être relié de manière filaire ou sans fil, à un capteur 410 de mesure de tension artérielle, tel qu'un tensiomètre, pour mesurer la tension artérielle d'une personne. [0132] Le dispositif 400 peut en outre comprendre des moyens de mémorisation pour mémoriser les bases de données BI-BM, et/ou les modèles intelligents, et/ou les formes d'onde de référence, et/ou de manière générale les classes CI-CM.

[0133] Au moins une des unités de calcul 404-408 peut être un module matériel, tel qu'un processeur, une puce électronique, un calculateur, un ordinateur, un serveur, etc.

[0134] Au moins une des unités de calcul 404-408 peut être un module logiciel, tel qu'une application, un programme d'ordinateur, une machine virtuelle, etc.

[0135] Au moins une des unités de calcul 404-408 peut être un module individuel et indépendant des autres unités de calcul 404-408.

[0136] Au moins deux des unités de calcul 404-408 peuvent être intégrés au sein d'un même module.

[0137] Suivant des exemples de réalisation, le capteur 402 et les unités de calcul 404-408, peuvent être intégrés dans un appareil tel qu'un Smartphone, une tablette, un ordinateur, etc. Dans ce cas, la caméra utilisée pour mesurer le signal de battement cardiaque peut être la caméra équipant ledit appareil.

[0138] Bien entendu l'invention n'est pas limitée aux exemples qui viennent d'être décrits.

Claims

REVENDICATIONS

1. Procédé (300) d'estimation d'une valeur de tension artérielle pour une personne cible à partir d'au moins un signal de battement cardiaque, ledit procédé (300) comprenant au moins une itération d'une phase (314) de prédiction comprenant les étapes suivantes :

- mesure (302) d'un premier signal de battement cardiaque de ladite personne cible, et

- estimation (312) d'une valeur de tension artérielle avec un modèle intelligent, en fonction dudit premier signal de battement cardiaque ; caractérisé en ce que l'étape d'estimation (312) est réalisée avec un modèle intelligent préalablement associé à ladite personne cible, et sélectionné parmi plusieurs modèles intelligents préalablement entrainés pour l'estimation de tension artérielle.

2. Procédé (300) selon la revendication précédente, caractérisé en ce que la phase de prédiction (314) comprend une étape (304-308) pour obtenir, à partir du premier signal, au moins une impulsion, dite première impulsion, l'étape (312) d'estimation de la valeur de la tension artérielle étant réalisée en fonction de ladite au moins une première impulsion.

3. Procédé (300) selon la revendication précédente, caractérisé en ce que l'étape d'obtention de la première impulsion comprend les étapes suivantes :

- extraction (304) de plusieurs, et en particulier de toutes les, impulsions contenues dans ledit premier signal, et

- filtrage (306) desdites impulsions extraites en fonction d'au moins critère de qualité relatif à la forme desdites impulsions.

4. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comprend, préalablement à la première itération de la phase de prédiction, une phase (200) de classification de la personne cible dans une classe (Ci) parmi plusieurs classes (CI-CM), en fonction d'au moins un couple de données comprenant :

- un deuxième signal de battement cardiaque, et - une valeur de tension artérielle, dite deuxième valeur de tension artérielle ; mesurés pour ladite personne à un instant donné, chaque classe (CI-CM) étant associée à un modèle de prédiction préalablement entrainé.

5. Procédé (300) selon la revendication précédente, caractérisé en ce que la phase de classification (200) comprend les étapes suivantes :

- mesure (202) de plusieurs couples de données pour la personne cible, et

- sélection (212) d'au moins deux deuxièmes signaux pour lesquels les tensions artérielles mesurées sont identiques ; de sorte que la classification de la personne cible est réalisée uniquement en fonction des deuxième signaux sélectionnés.

6. Procédé (300) selon l'une quelconque des revendications 4 ou 5, caractérisé en ce que la phase de classification (200) comprend une étape (204-208) pour obtenir, à partir de l'au moins un deuxième signal, une forme d'onde d'impulsion, dite deuxième forme d'onde, la classification de la personne cible dans une classe étant réalisée à partir de ladite deuxième forme d'onde et de la deuxième valeur de tension artérielle qui lui est associée.

7. Procédé (300) selon la revendication précédente, caractérisé en ce que l'étape d'obtention de la deuxième forme d'onde comprend les étapes suivantes :

- pour au moins un, en particulier chaque, deuxième signal :

■ extraction (204) de plusieurs, et en particulier de toutes les, impulsions contenues dans ledit deuxième signal, et

■ filtrage (206) des impulsions extraites en fonction d'au moins critère de qualité relatif à la forme desdites impulsions extraites ; et

- génération (208) de la deuxième forme d'onde référence en fonction, et en particulier par moyennage, des impulsions conservées après filtrage.

8. Procédé (300) selon l'une quelconque des revendications 6 ou 7, caractérisé en ce que la phase de classification (200) d'une personne cible dans une classe comprend une identification (210) d'une classe parmi un groupe de classes, en fonction d'au moins un paramètre de similitude entre la deuxième forme d'onde et une forme d'onde de référence associée à chacune desdites classes.

9. Procédé (300) selon l'une quelconque des revendications 6 à 8, caractérisé en ce que la phase de classification (200) d'une personne cible dans une classe comprend une sélection d'un groupe de classes, parmi plusieurs groupes de classes, en fonction de la valeur de la tension artérielle d'au moins un couple de données.

10. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comprend en outre, pour au moins une, en particulier chaque, classe (CI-CM), une phase d'entrainement du modèle intelligent associé à ladite classe avec une base d'entrainement (BI-BM) spécifique à ladite classe.

11. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'il comprend en outre une phase (100) préliminaire, dite phase de construction, pour construire les classes (CI-CM), et éventuellement une base d'entrainement (BI-BM) spécifique à chaque classe (CI-CM), comprenant les étapes suivantes :

- mesure (102), pour une multitude de personnes, de couples de données comprenant, chacun :

■ un signal de battement cardiaque, et

■ une valeur de tension artérielle pour chaque impulsion contenue dans ledit signal de battement cardiaque;

- construction (104-108), pour chaque signal de battement cardiaque, d'une forme d'onde ;

- regroupement (110) des formes d'onde ainsi obtenues en plusieurs classes (CI-CM), en fonction d'au moins un paramètre de similitude.

12. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'au moins une valeur de tension artérielle est une valeur de tension artérielle systolique ou une valeur de tension artérielle diastolique.

13. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce qu'au moins un signal de battement cardiaque est :

- un signal photopléthysmographique, PPG ;

- un signal PPG sans contact, rPPG ;

14. Procédé (300) selon l'une quelconque des revendications précédentes, caractérisé en ce que, pour au moins une classe (CI-CM), le modèle intelligent associé à ladite classe (CI-CM) est un réseau neuronal.

15. Dispositif (400) d'estimation d'une valeur de tension artérielle pour une personne cible comprenant :

- au moins un moyen (402) de mesure d'un signal de battement cardiaque, et

- au moins une unité de calcul (404-408) ; configurés pour mettre en œuvre le procédé (300) selon l'une quelconque des revendications précédentes.