WO2024061989A1 - Procédé de traitement de signal monodimensionnel, dispositif et programme correspondant - Google Patents

Procédé de traitement de signal monodimensionnel, dispositif et programme correspondant Download PDF

Info

Publication number
WO2024061989A1
WO2024061989A1 PCT/EP2023/075976 EP2023075976W WO2024061989A1 WO 2024061989 A1 WO2024061989 A1 WO 2024061989A1 EP 2023075976 W EP2023075976 W EP 2023075976W WO 2024061989 A1 WO2024061989 A1 WO 2024061989A1
Authority
WO
WIPO (PCT)
Prior art keywords
sequence
signal
sequences
compressed
delivering
Prior art date
Application number
PCT/EP2023/075976
Other languages
English (en)
Inventor
Piotr ANTONIK
Original Assignee
Centralesupelec
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 Centralesupelec filed Critical Centralesupelec
Publication of WO2024061989A1 publication Critical patent/WO2024061989A1/fr

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/50—Network services
    • H04L67/535—Tracking the activity of the user

Definitions

  • the disclosure relates to the field of detection of presence and/or movement within an environment. More particularly, the disclosure relates to the field of detecting the presence of moving objects and/or people using existing and/or inexpensive to install equipment.
  • the disclosure is implemented from a wireless domestic communication network, in particular of the Wi-Fi type for example within a home.
  • a remote server is configured to receive and analyze the channel state information data transmitted by the receiver, storing the channel information state (CSI) data with proper labeling (human presence) corresponding collected for training, train an identification (human presence) classifier using a “Convex Clustered Concurrent Shapelet Learning (C3SL)” type method, and estimate a presence of a user based on CSI data and the C3SL method.
  • the server is configured to receive and analyze the CSI data transmitted by the receiver, to assign a corresponding gesture label and estimate and identify the gesture performed by the user using a trained target encoder and source classifier.
  • This solution offers the aforementioned advantage of not needing to have additional devices to detect user gestures within a home.
  • This solution suffers from several problems, including the need for a channel information state (CSI) data server device, which processes this data remotely.
  • CSI channel information state
  • the technique described implements a complex neural network, which requires significant resources to perform a fine classification of the movements made by the user.
  • the disclosure relates more particularly to a one-dimensional signal processing methodology, making it possible to detect the presence or movements made by users. More particularly, the disclosure relates to a method for characterizing an event occurring within a space comprising equipment for receiving WLAN signals, a method implemented by an electronic processing device. Such a process includes:
  • - a step of processing the plurality of compressed sequences by an echo state network comprising a predetermined number N of nodes, delivering a probability of belonging of each compressed sequence to a class among a set of predetermined event classes.
  • the step of normalizing the input data aimed at reducing the resolution of the plurality of received WLAN signal sequences includes:
  • each signal sequence comprising a [one-dimensional] signal amplitude variation over time
  • the step of compressing each signal sequence of the plurality of signal sequences comprises, for a current signal sequence:
  • the step of processing the plurality of sequences compressed by an echo state network comprises a step of optimizing a predetermined number nodes of the echo state network such that each input signal sequence can be assigned to a predetermined event class from the set of predetermined event classes.
  • the step of optimizing the predetermined number X of output weights of the echo state network comprises a step of calculating a linear regression.
  • the step of calculating a linear regression comprises:
  • the number N of nodes of the echo state network is between 25 and 250.
  • the number of samples K of each sequence is between 10 and 25.
  • the invention also relates to an electronic device for characterizing an event occurring within a space comprising equipment for receiving WLAN signals.
  • a device for characterizing an event occurring within a space comprising equipment for receiving WLAN signals.
  • Such a device includes:
  • - means for processing compressed sequences by an echo state network comprising a predetermined number N of nodes, delivering a probability of belonging of each compressed sequence to a class among a set of predetermined event classes.
  • the different steps of the methods according to the present disclosure are implemented by one or more software or computer programs, comprising software instructions intended to be executed by a data processor of an electronic device execution according to the present technique and being designed to control the execution of the different stages of the processes, implemented at the level of an electronic processing device or even communication equipment, for example of the router or "box" type » as part of a distribution of processing to be carried out and determined by scripted source code or compiled code.
  • the present technique also targets programs, capable of being executed by a computer or by a data processor, these programs comprising instructions for controlling the execution of the steps of the processes as mentioned above.
  • a program can use any programming language, and be in the form of source code, object code, or intermediate code between source code and object code, such as in a partially compiled form, or in no no matter what other desirable shape.
  • the present technique also targets an information medium readable by a data processor, and comprising instructions for a program as mentioned above.
  • the information carrier can be any entity or terminal capable of store the program.
  • the medium may comprise a storage means, such as a ROM, for example a CD ROM or a microelectronic circuit ROM, or even a magnetic recording means, for example a mobile medium (memory card) or a hard drive or SSD.
  • the information medium may be a transmissible medium such as an electrical or optical signal, which may be conveyed via an electrical or optical cable, by radio or by other means.
  • the program according to the present technique can in particular be downloaded over an Internet type network.
  • the information carrier may be an integrated circuit in which the program is incorporated, the circuit being adapted to execute or to be used in the execution of the method in question.
  • the present technique is implemented by means of software and/or hardware components.
  • module can correspond in this document to a software component as well as to a hardware component or to a set of hardware and software components.
  • a software component corresponds to one or more computer programs, one or more subprograms of a program, or more generally to any element of a program or software capable of implementing a function or set of functions, as described below for the module concerned.
  • Such a software component is executed by a data processor of a physical entity (terminal, server, gateway, set-top-box, router, etc.) and is capable of accessing the hardware resources of this physical entity (memories, recording media, communication buses, electronic input/output cards, user interfaces, etc.).
  • a hardware component corresponds to any element of a hardware assembly capable of implementing a function or a set of functions, according to what is described below for the module concerned. It may be a programmable hardware component or one with an integrated processor for executing software, for example an integrated circuit, a smart card, a memory card, an electronic card for executing firmware ( firmware), etc.
  • FIG.4 represents a simplified physical architecture of an electronic device that may be suitable for carrying out the method described.
  • the disclosure differs from the prior technique by the frugality of the resources used to classify user movements.
  • the disclosure concerns a method of characterizing an event occurring within a space (such as a room, a set of communicating rooms, a hospital, an establishment accommodation or even a home) comprising at least one piece of equipment for receiving WLAN (Wireless Local Area Network) signals, for example Wi-Fi.
  • a space such as a room, a set of communicating rooms, a hospital, an establishment accommodation or even a home
  • WLAN Wireless Local Area Network
  • the method is implemented by an electronic processing device (which can be the equipment reception of Wi-Fi signals itself).
  • the process includes:
  • P_2 a processing step (P_2) of the plurality of compressed sequences (Sig_T) by an echo state network (REE) comprising a predetermined number N of nodes, delivering a probability of membership (PA_si g _r) of each sequence compressed (Sig_T) to a class among a set of predetermined event classes (for example "lie down”, “fall”, “walk”, “run”, “sit”, “get up” but also "enter ",
  • the characterization method includes two implementation modes: a learning mode and a use mode.
  • the learning mode consists of determining operating parameters of the echo state network and the use mode consists of implementing the method with a configured echo state network.
  • the method implements the step of normalizing the signal data and the processing step which comprises the supervised learning of the normalized data using a state-of-the-art network.
  • this processing makes it possible to set the parameters of the echo state network.
  • the characterization method also makes it possible to carry out the classification, by implementing a step of normalizing signal data, similar to the step of normalizing the signal data of the learning mode and a step of classifying the normalized data, using the echo state network configured during implementation of the method in learning mode.
  • the characterization method comprises a step of normalizing the received signal data. This step delivers, for a temporal sequence of input amplitude, a temporal sequence of normalized amplitude.
  • the characterization process also includes a classification step, which, based on a temporal sequence of standardized amplitude, delivers a classification of the sequence. In the learning mode this classification is adjusted, as explained below.
  • This classification is presented in the form of at least one probability of belonging of the normalized temporal sequence to a given class of movements.
  • the network used is an “Echo State Network” (REE) type network, comprising a reduced number of neurons.
  • the combination of the normalization step, which leads to a significant simplification (similar to destructive compression) of the input signals, associated with the implementation of the echo state network makes it possible to meet the requirements reducing the consumption of resources while guaranteeing a result (i.e. confidence in the classification) superior to those obtained by the technique of the prior art, in particular thanks to the simplicity of the learning step.
  • the characterization method comprises the step of normalizing the signal data received (this data obviously being different from the data which was used for the parameterization of the echo state network).
  • the normalized data is then provided to the echo state network which performs classification of the normalized data.
  • the classification step delivers, from one or more input temporal sequences, a classification of the sequence(s).
  • This classification is presented in the form of at least one probability of belonging of the normalized temporal sequence to a given class of events corresponding to movements.
  • the sequence is classified among an established list of movements (lie down, fall, walk, run, sit, get up). Certain classes can be associated with the triggering of security alerts (such as “fall”) to a surveillance program, also installed on one of the “WLAN” devices in the home or accommodation.
  • the proposed technique has numerous advantages: - It is non-invasive and non-intrusive;
  • the raw signal (Sig_B) represented here comes from reception on 3 antennas (in light gray, dark gray, and black) of WLAN equipment and corresponds to a disturbance induced by a person walking collected on each of the antennas.
  • the raw signal is therefore partitioned into 3 signals: the signal Sig_B 1 (in light gray) corresponds to the reception of the disturbance on the first antenna, the signal Sig_B2 (in dark gray) corresponds to the reception of the disturbance on the second antenna , signal_B3 corresponds to the reception of the disturbance on the third antenna.
  • N 7 in the figure, to simplify the illustration
  • each sample produces a state of the reservoir (column vector of size N x 1 containing the states of the N nodes of the network), and the K states are collected at the end of the processing (we then have K states for each signal portion in light gray, dark gray, and original black).
  • the echo state network is then optimized (P_4) so that it can provide a probability of the signal portion belonging to a given class.
  • this optimization is carried out on the output layer of the network only, and not on the internal connections thereof.
  • This optimization is carried out by performing a linear regression on all output weights, so that the final (supervised) classification is obtained based on the different tank states.
  • the echo state network has a temporal memory of the samples supplied to it so that learning is carried out by memorizing the class of the different samples which are successively transmitted to it until a classification is obtained on the basis of the succession of samples which are injected.
  • the inventors used WLAN signals to detect a change in situation in a particular environment.
  • the room in which the tests were carried out included a WLAN signal transmitter and suitable receivers. When these devices exchange packets, the electromagnetic waves are reflected and there are multiple bounces of these electromagnetic waves in the room. The receiver therefore not only receives a wave but a combination of signals reflected in the room multiple times. If an object moves in the room, the final combination of these bounces changes and this change can be detected.
  • the transmitter equipment was equipped with three antennas and transmitted at a frequency of 2.4 GHz, each antenna having 30 channels. Thus, up to 90 temporal traces (raw signals) were collected for training the system. The number of channels specified here is specific to recordings made in this confi- guration. In real conditions, this number may vary depending on the band chosen and the equipment available.
  • each sequence is either cut or lengthened to have a uniform data size (for example 10 thousand or 20 thousand samples per sequence).
  • each sequence is subsampled to a pre- determined number of samples (for example from 10 to 100 samples depending on the averaging parameter) by averaging over a number of intervals corresponding to the number of samples. More particularly, for the intended application, the number of samples is between 5 and 100, more specifically between 10 and 25.
  • a processing step (P_2) comprising the supervised learning (i.e. optimization) (P_4) of sequences within the echo state network, comprising a predetermined (and reduced) number of nodes. More particularly, for the intended application, the number of nodes is between 25 and 250 nodes, depending on the fineness of the movements to be recognized. A number of nodes equal to 50 is sufficient, in practice, to classify signals according to the six classes mentioned previously ("lie down”, “fall”, “walk”, “run”, “sit”, “get up”). "). This is a compromise between the fineness of event recognition and the resulting computational load.
  • gesture recognition must exploit the natural dynamics of a dynamic system trained for calculation and that an echo state network is adapted to this problem.
  • an echo state network is adapted to this problem.
  • Echo state networks are very different from most physical systems. First, they operate in discrete time. Additionally, they are usually fully connected, which is not possible for most physical systems. However, using such a network alone is not in itself a recipe for success, as it only works well if there is a good match between the dynamics of the system and what is expected for a task. given.
  • the data normalization step in the targeted application, has the function of simplifying the capture of the dynamics of the signals by eliminating disturbances not representative of them. The number of samples retained after normalization varies depending on the fineness of recognition of the movement carried out, as does the number of nodes in the echo state network.
  • An echo state network used in the present context is schematically illustrated in [Fig.3]. It is a network of nodes in which the input signal is connected to a fixed (i.e. non-trainable) and random dynamic system, called the reservoir, thus creating a higher-dimensional representation (embedding).
  • the network of nodes is shallow and consists of three layers: - An input layer (Linen);
  • Tk A hidden internal layer
  • connection weights W inp are randomly generated between the input layer and the reservoir.
  • Random weights W inp , W int ;
  • Output layer delivering the states of the reservoir (column vector of size N x 1 containing the states of the N nodes of the network):
  • connection weights W out between the reservoir and the output layer are optimized, during learning (in step P_4), based on a linear relationship (for example by calculating a linear regression). There are as many output weights as there are neurons (the diagram in [Eig.3] is thus simplified for greater readability).
  • Optimizing the network amounts to solving a linear optimization problem, using efficient and robust algorithms such as, for example, linear regression algorithms.
  • the calculations are simple and fast, without recurring iterations, and make it possible to find an optimal value of the output weights taking into account the desired classification.
  • the advantage of implementing an echo state network is that the sparse random connections in the reservoir allow previous states to "echo" even after their passage, so that when the network receives a new input (a signal sample from normalization) similar to something it trained on, the dynamics in the tank follow the appropriate activation trajectory for the input and in this way can provide a corresponding result what he has trained on, and when he is well trained, he can generalize from the signals he has already encountered, by following activation trajectories which would make sense given the input signal controlling the tank.
  • the advantage is that the network does not require training on all of the nodes to obtain good performance and is low in energy and computing power.
  • the normalization of the amplitudes of the signals delivers a predetermined number K of samples (for example between 10 and 25).
  • Each sample (of the predetermined number K of samples) is injected into the network of nodes.
  • K SOI State Of Interest
  • the result y(n) is the class obtained by linear combination of a state x ; with the weights w out at the output layer according to the previous equation.
  • the output weights are optimized by linear regression to assign the correct class to the input signal.
  • the reservoir is initialized from the beginning, and the entire database of preprocessed input signal recordings is passed through it.
  • Concatenation increases the computational complexity of the training process, since the number of reading weights increases linearly with concatenation: e.g. combining 2 tank states involves forming 12N read weights instead of 6N (for the 6 binary output nodes and the N tank nodes). More particularly, the number of output nodes corresponds to the number of actions to be distinguished (in the present case, 6: "lie down”, “fall”, “walk”, “run”, “sit”, “ get up “). In this example, rather than determining an output node for X actions to be distinguished (and therefore, training the system to produce the responses from 1 to nodes independently produce 1 if the input matches its class, and 0 otherwise. In practice, the output nodes produce real numbers between 0 and 1: each node gives a probability that the input corresponds to its class, and we select the binary output node which produces the highest value to assign the class from the entrance.
  • An electronic processing device comprises a first electronic module comprising a memory 31, a processing unit 32 equipped for example with a microprocessor, and controlled by a computer program 33.
  • the electronic processing device optionally comprises, for functions- security features, such as the anonymization of signal data or the states resulting from these signals, a second electronic module comprising a secure memory 34, which can be merged with the memory 31 (as indicated in dotted lines, in this case the memory 31 is a secure memory), a secure processing unit 35 equipped for example with a secure microprocessor and physical protection measures (physical protection around the chip, by trellis, vias, etc. and protection on the data transmission interfaces ), and controlled by a computer program 36 specifically dedicated to this secure processing unit 35, this computer program 36 implementing all or part of the characterization process as previously described.
  • the group composed of the secure processing unit 35, the secure memory 34 and the dedicated computer program 36 constitutes the secure module (PS) of the electronic processing device.
  • PS secure module
  • the present technique is implemented in the form of a set of programs installed in part or in full on this secure electronic processing device portion.
  • the present technique is implemented in the form of a dedicated component (CpX) capable of processing data from the processing units and installed in part or entirely on the secure portion of the electronic device. treatment.
  • the device also includes means of communication (CIE) in the form of network components (Wlan, Wi-Fi, 3G/4G/5G, wired) which allow the device to receive data (I). coming from entities connected to one or more communication networks and transmitting processed data (T) to such entities.
  • CIE means of communication
  • Such a device comprises, depending on the embodiments, the means described above:

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Small-Scale Networks (AREA)
  • Telephonic Communication Services (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

L'invention se rapporte à un procédé et à un dispositif de caractérisation d'un événement survenant au sein d'un espace comprenant un équipement de réception de signaux WLAN, procédé mis en œuvre par un dispositif électronique de traitement. Un procédé de ce type comprend: - une étape de normalisation (P_1) des données d'entrée visant la réduction de la résolution d'une pluralité de séquences de signaux WLAN reçues par ledit équipement de réception, délivrant une pluralité de séquences compressées; et - une étape de traitement (P_2) de la pluralité de séquences compressées par un réseau à état d'écho comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d'appartenance de chaque séquence compressée à une classe parmi un ensemble de classes d'événements prédéterminé.

Description

Description
Titre de l'invention : procédé de traitement de signal monodimensionnel, dispositif et programme correspondant.
Domaine technique
[0001] La divulgation se rapporte au domaine de la détection de présence et/ou de mouvement au sein d’un environnement. Plus particulièrement, la divulgation se rapporte au domaine de la détection de présence d’objets et/ou de personnes en mouvement à l’aide d’un appareillage existant et/ou peu coûteux à installer. Dans un contexte d’exploitation particulier, la divulgation est mise en œuvre à partir d’un réseau de communication domestique sans fil, notamment de type Wi-Fi par exemple au sein d’une habitation.
1. Technique antérieure
[0002] Depuis de nombreuses années, le maintien des personnes fragiles à domicile ainsi que la surveillance des évènements se produisant au sein des habitations est une préoccupation majeure tant des acteurs institutionnels que des industriels. En effet, cette préoccupation a pour origine non seulement l’augmentation des coûts d’hébergement des personnes fragiles dans des institutions spécialisées mais également la volonté, souvent, pour ces mêmes personnes, de ne pas être déracinées de leur habitation. Or, ce maintien à domicile n’est pas sans poser de problème, et notamment des problèmes de sécurité : il arrive fréquemment que les personnes fragiles, seules, à domicile soient victimes d’accidents domestiques. Des solutions ont été proposées pour prévenir ou intervenir autant que faire se peut, dans de telles situations. Par exemple, il est proposé des médaillons, à porter par la personne âgée, qui permette à celle-ci de d’appuyer sur un bouton d’urgence en cas d‘accident, qui entraine la mise en œuvre d’un ou de plusieurs appels téléphoniques ou transmission à une centrale de surveillance. Certains médaillons proposent également des fonctions de détection de chute et peuvent se déclencher de manière autonome. Dans le même ordre d’idée, les nouveaux smartphones ou les montres connectées disposent également de fonctions similaires.
[0003] Ces dispositifs, bien qu’efficaces, posent cependant un problème dans la mesure où ils doivent être portés et disposer d’une autonomie suffisante pour fonctionner. Ainsi, d’autres solutions, ne nécessitant pas de dispositif à porter ont été développées. Parmi ces solutions, on trouve celle décrite dans la demande de brevet W02020037313, dans laquelle un réseau Wi-Fi, et des signaux échangés entre des équipements Wi-Fi du réseau sont utilisés. Plus particulièrement, il est décrit un système comprenant de multiples dispositifs compatibles Wi-Fi, disposés dans un environnement et configurés pour être un émetteur ou un récepteur pour transmettre ou recevoir des données sur une liaison de communication radiofréquence Wi-Fi. Un serveur distant est configuré pour recevoir et analyser les données d’information d’état de canal transmises par le récepteur, stocker les données d’état d’information de canal (CSI) avec un étiquetage adéquate (présence humaine) correspondant collecté pour l'entraînement, entraîner un classificateur d'identification (de présence humaine) à l'aide d'une méthode de type « Convex Clustered Concurrent Shapelet Learning ( C3SL) », et estimer une présence d’un utilisateur sur la base des données CSI et de la méthode C3SL. Le serveur est configuré pour recevoir et analyser les données CSI transmises par le récepteur, afin d’attribuer une étiquette de geste correspondante et estimer et identifier le geste effectué par l'utilisateur en utilisant un codeur cible et un classificateur source entraînés.
[0004] Cette solution offre l’avantage précité de ne pas avoir besoin de disposer de dispositifs complémentaires pour détecter des gestes d’utilisateurs au sein d’une habitation. Cette solution, cependant, souffre de plusieurs problèmes, dont celui de la nécessité de disposer d’un dispositif serveur traitant les données d’état d’information de canal (CSI), lequel traite ces données à distance. De plus, la technique décrite met en œuvre un réseau de neurones complexe, qui nécessite des ressources importantes pour effectuer une classification fine des mouvements effectués par l’utilisateur.
1. Résumé de l'invention
[0005] La divulgation a été conçue en conservant ces inconvénients de l’art antérieur à l’esprit.
[0006] La divulgation porte plus particulièrement sur une méthodologie de traitement de signal monodimensionnel, permettant de détecter la présence ou des mouvements effectués par des utilisateurs. Plus particulièrement, la divulgation se rapporte à un procédé de caractérisation d'un événement survenant au sein d’un espace comprenant un équipement de réception de signaux WLAN, procédé mis en œuvre par un dispositif électronique de traitement. Un tel procédé comprend :
- une étape de normalisation des données d’entrée visant la réduction de la résolution d’une pluralité de séquences de signaux WLAN reçues par ledit équipement de réception, délivrant une pluralité de séquences compressées ; et
- une étape de traitement de la pluralité de séquences compressées par un réseau à état d’écho comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d’appartenance de chaque séquence compressée à une classe parmi un ensemble de classes d’événements prédéterminé.
[0007] Ainsi, il est possible de déterminer rapidement, et avec peu de puissance de calcul disponible, la présence ou les mouvements effectués par un utilisateur.
[0008] Selon une caractéristique particulière, l’étape de normalisation des données d’entrée visant la réduction de la résolution de la pluralité de séquences de signaux WLAN reçues, comprend :
- une étape d’obtention de la pluralité de séquences de signaux, chaque séquence de signal comprenant une variation d’amplitude de signal [monodimensionnel] au cours du temps ;
- une étape de compression de chaque séquence de signal de la pluralité de séquence de signaux, dans laquelle un sous échantillonnage de chaque séquence de signal est effectué, de sorte que le nombre d’échantillons de chaque séquence compressée résultante est égal à un nombre K prédéterminé.
[0009] Selon une caractéristique particulière, l’étape de compression de chaque séquence de signal de la pluralité de séquence de signaux comprend, pour une séquence de signal courante :
- une étape de ré-encodage de la séquence courante avec une précision réduite, délivrant une séquence réencodée ;
- une étape de filtrage de la séquence réencodée par un filtre linéaire passe bas, avec une fréquence de coupure de limite supérieure 24Hz, délivrant une séquence temporelle filtrée ;
- une étape de redimensionnement de la séquence temporelle filtrée pour obtenir une série de moyenne nulle avec des valeurs comprises dans l'intervalle [-1, +1] ;
- une étape de rembourrage de la séquence redimensionnée pour produire une séquence d’une longueur prédéterminée ;
- une étape de sous-échantillonnage au nombre K prédéterminé d’échantillons en moyennant les valeurs de ladite séquence rembourrée sur un nombre d’intervalles correspondant au nombre K d’échantillons.
[0010] Selon une caractéristique particulière, l’étape de traitement de la pluralité de séquences compressées par un réseau à état d’écho comprend une étape d’optimisation d’un nombre prédéterminé X de poids de sorties d’un nombre prédéterminé N de nœuds du réseau à état d’écho de sorte que chaque séquence de signal d’entrée puisse être attribuée à une classe d’évènement prédéterminée parmi l’ensemble de classes d’événements prédéterminé.
[0011] Selon une caractéristique particulière, l’étape d’optimisation du nombre prédéterminé X de poids de sorties du réseau à état d’écho comprend une étape de calcul d’une régression linéaire.
[0012] Selon une caractéristique particulière, l’étape de calcul d’une régression linéaire comprend :
- une étape de concaténation d’un nombre prédéterminé d’états du réseau à état d’écho qui sont sélectionnés parmi les K états du réseau à état d’écho, délivrant un état concaténé ;
- une étape de calcul d’une régression linéaire pour ajuster les poids de sortie du réseau à état d’écho en fonction de l’état concaténé.
[0013] Selon une caractéristique particulière, le nombre N de nœuds du réseau à état d’écho est compris entre 25 et 250.
[0014] Selon une caractéristique particulière, le nombre d’échantillons K de chaque séquence est compris entre 10 et 25.
[0015] Selon un autre aspect, l’invention se rapporte également à un dispositif électronique de caractérisation d'un événement survenant au sein d’un espace comprenant un équipement de réception de signaux WLAN. Un tel dispositif comprend :
- des moyens de réduction de la résolution d’une pluralité de séquences de signaux WLAN reçues par ledit équipement de réception, délivrant des séquences compressées ; et
- des moyens de traitement des séquences compressées par un réseau à état d’écho comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d’appartenance de chaque séquence compressée à une classe parmi un ensemble de classes d’événements prédéterminé.
[0016] Selon une implémentation préférée, les différentes étapes des procédés selon la présente divulgation sont mises en œuvre par un ou plusieurs logiciels ou programmes d'ordinateur, comprenant des instructions logicielles destinées à être exécutées par un processeur de données d'un dispositif électronique d’exécution selon la présente technique et étant conçu pour commander l'exécution des différentes étapes des procédés, mis en œuvre au niveau d’un dispositif électronique de traitement ou encore d’un équipement de communication, par exemple de type routeur ou « box », dans le cadre d’une répartition des traitements à effectuer et déterminés par un code source scripté ou un code compilé.
[0017] En conséquence, la présente technique vise aussi des programmes, susceptibles d’être exécutés par un ordinateur ou par un processeur de données, ces programmes comportant des instructions pour commander l'exécution des étapes des procédés tel que mentionnés ci-dessus.
[0018] Un programme peut utiliser n’importe quel langage de programmation, et être sous la forme de code source, code objet, ou de code intermédiaire entre code source et code objet, tel que dans une forme partiellement compilée, ou dans n’importe quelle autre forme souhaitable.
[0019] La présente technique vise aussi un support d'informations lisible par un processeur de données, et comportant des instructions d'un programme tel que mentionné ci- dessus.
[0020] Le support d'informations peut être n'importe quelle entité ou terminal capable de stocker le programme. Par exemple, le support peut comporter un moyen de stockage, tel qu'une ROM, par exemple un CD ROM ou une ROM de circuit microélectronique, ou encore un moyen d'enregistrement magnétique, par exemple un support mobile (carte mémoire) ou un disque dur ou un SSD.
[0021] D'autre part, le support d'informations peut être un support transmissible tel qu'un signal électrique ou optique, qui peut être acheminé via un câble électrique ou optique, par radio ou par d'autres moyens. Le programme selon la présente technique peut être en particulier téléchargé sur un réseau de type Internet.
[0022] Alternativement, le support d'informations peut être un circuit intégré dans lequel le programme est incorporé, le circuit étant adapté pour exécuter ou pour être utilisé dans l'exécution du procédé en question.
[0023] Selon un mode de réalisation, la présente technique est mise en œuvre au moyen de composants logiciels et/ou matériels. Dans cette optique, le terme "module" peut correspondre dans ce document aussi bien à un composant logiciel, qu'à un composant matériel ou à un ensemble de composants matériels et logiciels.
[0024] Un composant logiciel correspond à un ou plusieurs programmes d'ordinateur, un ou plusieurs sous-programmes d'un programme, ou de manière plus générale à tout élément d'un programme ou d'un logiciel apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Un tel composant logiciel est exécuté par un processeur de données d'une entité physique (terminal, serveur, passerelle, set-top-box, routeur, etc.) et est susceptible d'accéder aux ressources matérielles de cette entité physique (mémoires, supports d'enregistrement, bus de communication, cartes électroniques d'entrées/sorties, interfaces utilisateur, etc.).
[0025] De la même manière, un composant matériel correspond à tout élément d'un ensemble matériel (ou hardware) apte à mettre en œuvre une fonction ou un ensemble de fonctions, selon ce qui est décrit ci-dessous pour le module concerné. Il peut s'agir d'un composant matériel programmable ou avec processeur intégré pour l'exécution de logiciel, par exemple un circuit intégré, une carte à puce, une carte à mémoire, une carte électronique pour l'exécution d'un micrologiciel (firmware), etc.
[0026] Chaque composante du système précédemment décrit met bien entendu en œuvre ses propres modules logiciels.
[0027] Les différents modes de réalisation mentionnés ci-dessus sont combinables entre eux pour la mise en œuvre de la présente technique.
1. Brève description des dessins
[0028] D'autres buts, caractéristiques et avantages de l'invention apparaîtront plus clairement à la lecture de la description suivante, donnée à titre de simple exemple illustratif, et non limitatif, en relation avec les figures, parmi lesquelles : [0029] - [Fig.1] représente le procédé de caractérisation selon la présente ;
[0030] - [Fig.2] expose de manière plus précise le procédé mis en œuvre ;
[0031] - [Fig.3] schématise un réseau à état d’écho mis en œuvre dans le cadre de la présente ;
[0032] - [Fig.4] représente une architecture physique simplifiée d’un dispositif électronique pouvant convenir à la réalisation du procédé décrit.
1. Description détaillée
1. Rappel du principe
[0033] Comme exposé précédemment, la divulgation se distingue de la technique antérieure par la frugalité des ressources utilisées pour effectuer la classification des mouvements des utilisateurs.
[0034] Plus particulièrement, en relation avec la [Fig.l], la divulgation concerne un procédé de caractérisation d’un événement survenant au sein d’un espace (comme une pièce, un ensemble de pièces communicantes, un hôpital, un établissement d’hébergement ou encore une habitation) comportant au moins un équipement de réception de signaux WLAN (Wireless Local Area Network), par exemple Wi-Fi. Le procédé est mis en œuvre par un dispositif électronique de traitement (qui peut être l’équipement de réception de signaux Wi-Fi lui-même). Le procédé comprend :
- une étape de normalisation des données d’entrée visant la réduction de la résolution (P_l), d’une pluralité de séquences (Sig_B) de signaux WLAN reçues par ledit équipement de réception (Eqpt), délivrant une pluralité de séquences compressées (Sig_T) ; et
- une étape de traitement (P_2) de la pluralité de séquences compressées (Sig_T) par un réseau à état d’écho (REE) comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d’appartenance (PA_sig_r) de chaque séquence compressée (Sig_T) à une classe parmi un ensemble de classes d’événements prédéterminés (par exemple « se coucher », « tomber », « marcher », « courir », « s’assoir », « se lever » mais également « entrer »,
« sortir », « ouvrir une porte », « fermer une porte », « ouvrir une fenêtre », « fermer une fenêtre », etc.).
[0035] Le procédé de caractérisation comprend deux modes de mise en œuvre : un mode apprentissage et un mode utilisation. Le mode d’apprentissage consiste à déterminer des paramètres de fonctionnement du réseau à état d’écho et le mode d’utilisation consiste à mettre en œuvre le procédé avec un réseau à état d’écho configuré.
[0036] Plus particulièrement, en mode apprentissage, le procédé met en œuvre l’étape de normalisation des données de signal et l’étape de traitement qui comprend l’apprentissage supervisé des données normalisées à l’aide d’un réseau à état d’écho, ce traitement permettant de fixer les paramètres du réseau à état d’écho. En mode d‘utilisation, le procédé de caractérisation, permet également d’effectuer la classification, en mettant en œuvre une étape de normalisation de données de signal, similaire à l’étape de normalisation des données de signal du mode apprentissage et une étape de classification des données normalisées, en utilisant le réseau à état d’écho paramétré lors d’une mise en œuvre du procédé en mode apprentissage.
[0037] Plus particulièrement, par rapport à la technique antérieure, le procédé de caractérisation comprend une étape de normalisation des données de signal reçues. Cette étape délivre, pour une séquence temporelle d’amplitude d’entrée, une séquence temporelle d’amplitude normalisée. Le procédé caractérisation comprend également une étape de classification, qui, à partir d’une séquence temporelle d’amplitude normalisée, délivre une classification de la séquence. Dans le mode apprentissage cette classification est ajustée, comme explicité par la suite. Cette classification se présente sous la forme d’au moins une probabilité d’appartenance de la séquence temporelle normalisée à une classe de mouvements donnée. Le réseau utilisé est un réseau de type « Réseau à État d’Écho » (REE), comprenant un nombre réduit de neurones. Selon la présente, la combinaison de l’étape de normalisation, qui conduit à une simplification importante (assimilable à une compression destructrice) des signaux d’entrée, associée à la mise en œuvre du réseau à état d’écho permet de répondre aux exigences de réduction de la consommation de ressources tout en garantissant un résultat (i.e. une confiance dans la classification) supérieur à ceux obtenus par la technique de l’art antérieur, notamment grâce à la simplicité de l’étape d’apprentissage.
[0038] En mode d’utilisation, le procédé de caractérisation comprend l’étape de normalisation des données de signal reçues (ces données étant différentes évidemment des données qui ont été utilisées pour le paramétrage du réseau à état d’écho). Les données normalisées sont ensuite fournies au réseau à état d’écho qui effectue la classification des données normalisées.
[0039] L’étape de classification, délivre, à partir d’une ou de plusieurs séquences temporelles d’entrée, une classification de la ou des séquences. Cette classification se présente sous la forme d’au moins une probabilité d’appartenance de la séquence temporelle normalisée à une classe donnée d’évènements correspondant à des mouvements.
[0040] Dans la configuration mise en œuvre, pour l’application visée, la séquence est classifiée parmi une liste établie de mouvements (se coucher, tomber, marcher, courir, s’assoir, se lever). Certaines classes peuvent être associées au déclenchement d’alertes de sécurité (comme par exemple « tomber ») à destination d’un programme de surveillance, également installé sur l’un des dispositifs « WLAN » de l’habitation ou du logement.
[0041] Ainsi, technique proposée présente de nombreux avantages : - Elle est non-invasive et non intrusive ;
- Elle ne nécessite pas le port d'un objet ou d'un capteur particulier ;
- Elle est peu sensible aux obstacles et non-limitée à une ligne de vue directe, comme avec une caméra ;
- Elle est peu sensible aux variations de luminosité et fonctionne de jour comme de nuit ;
- Lorsqu’elle est exécutée localement, par exemple sur un équipement Wi-Fi du domicile (par exemple une Box), elle ne révèle pas l'identité des acteurs et respecte la vie privée (RGPD) ;
- Elle a un faible coût d'installation et a un impact environnemental moindre car elle utilise les appareils WLAN existants et ne nécessite pas de matériel supplémentaire ; et
- Elle a une faible consommation énergétique en fonctionnement du fait de l’absence d’exécution d’un réseau de grande taille, de l’absence de transmission de volumes importants de données sur un réseau de communication et de la compression (destructrice) réalisée sur le signal d’entrée, lequel est alors fortement simplifié.
[0042] On présente, en relation avec la [Fig.2], les différentes étapes d’apprentissage pour la configuration du réseau à état d’écho (REE). Dans la cadre de la présentation de ces étapes, un exemple particulier de signal est illustré. Le signal brut (Sig_B) représenté ici provient de la réception sur 3 antennes (en gris clair, gris foncé, et noir) d’un équipement WLAN et correspond à une perturbation induite par une personne qui marche recueillie sur chacune des antennes. Le signal brut est donc partitionné en 3 signaux : le signal Sig_B 1 (en gris clair) correspond à la réception de la perturbation sur la première antenne, le signal Sig_B2 (en gris foncé) correspond à la réception de la perturbation sur la deuxième antenne, le signal_B3 correspond à la réception de la perturbation sur la troisième antenne. A l’issue de l’étape de normalisation, (P_l), chaque signal résultant (Sig_Tl, Sig_T2, Sig_T3) est normalisé sur K intervalles, ce qui entraine la production de K échantillons (el, e2, e3, ..., eK) par signal (donc ici Kx3) à injecter dans le réseau à état d’écho (REE) avec N nœuds (N = 7 sur la figure, pour simplifier l’illustration) lors de l’étape (P_2) de traitement. Dans une configuration réaliste, pour un exemple de ce type, N est compris entre 25 et 250 et le nombre de séquences à traiter est évidemment beaucoup plus conséquent. A l’issue de cette étape de traitement, on dispose donc de K échantillons (par signal). Pour plus de lisibilité, seul Sig_Tl est représenté.
[0043] Ainsi, à l’issue de l’étape de traitement (P2) du premier échantillon (el), on dispose d’un premier état (#1). Puis à l’issue du deuxième échantillon (e2), on dispose d’un deuxième état (#2), et ainsi de suite jusqu’à l’injection du dernier échantillon (eK) qui délivre le dernier état (#K). Comme illustré schématiquement, chaque échantillon produit un état du réservoir (vecteur colonne de taille N x 1 contenant les états des N nœuds du réseau), et les K états sont collectés à l’issue du traitement (on dispose alors de K états pour chaque portion de signal en gris clair, gris foncé, et noir d’origine).
[0044] En mode d’apprentissage, on optimise (P_4) ensuite le réseau à état d’écho afin qu’il puisse fournir une probabilité d’appartenance de la portion de signal à une classe donnée. Selon l’invention, cette optimisation est réalisée sur la couche de sortie du réseau uniquement, et non sur les connexions internes de celui-ci. Cette optimisation est effectuée en réalisant une régression linéaire sur tous les poids de sortie, de sorte que la classification finale (supervisée) soit obtenue en fonction des différents états du réservoir. Le réseau à état d’écho dispose d’une mémoire temporelle des échantillons qui lui sont fournis de sorte qu’un apprentissage est effectué en mémorisant la classe des différents échantillons qui lui sont successivement transmis jusqu’à obtenir une classification sur la base de la succession des échantillons qui sont injectés.
[0045] Dans l’objectif d’obtenir de meilleurs résultats de classification (par exemple pour l’entrainement et l’apprentissage du réseau à état d’écho), on peut procéder (optionnellement) à la concaténation (P_3) de différents états du réservoir afin d’augmenter sa capacité de mémoire et de classification des événements. Le nombre, et les indices des états [#1,... ,#K] choisis pour la concaténation sont déterminés en fonction des conditions (en fonction par exemple de la signature du signal et de la capacité du réseau à état d’écho à classer seul les échantillons, comme explicité par la suite). Dans l’exemple de la [Eig.2], les combinaisons de 1, 2 et 3 états sont illustrés. Dans une telle situation, l’optimisation des poids de sortie est effectuée sur la concaténation des états et non pas sur un seul état. Cette manière de procéder permet, comme cela est développé par la suite, d’éviter un phénomène d’oubli qui peut être engendré en fonction des configurations initiales choisies pour le réseau à état d’écho.
[0046] Ainsi, les inventeurs ont utilisé les signaux WLAN pour détecter un changement de situation dans un environnement particulier. La pièce dans laquelle les tests ont été menés comprenait un émetteur de signaux WLAN et des récepteurs adéquats. Lorsque ces appareils s’échangent des paquets, les ondes électromagnétiques sont réfléchies et les rebonds de ces ondes électromagnétiques sont multiples dans la pièce. Le récepteur ne reçoit donc pas seulement une onde mais une combinaison de signaux réfléchis dans la pièce de façon multiple. Si un objet bouge dans la pièce, la combinaison finale de ces rebonds change et ce changement peut être détecté. Dans la configuration mise en œuvre, l’équipement émetteur était doté de trois antennes et émettait à une fréquence de 2,4GHz, chaque antenne disposant de 30 canaux. Ainsi, ce sont jusqu’à 90 traces temporelles (signaux bruts) qui ont été recueillies pour l’entrainement du système. Le nombre de canaux précisé ici est propre aux enregistrements réalisés dans cette confi- guration. En conditions réelles, ce nombre peut varier en fonction de la bande choisie et des équipements disponibles.
1. Description d’un mode de réalisation
[0047] Il est présenté dans cet exemple, une réalisation que les inventeurs ont implémentée pour la mise en œuvre du procédé de caractérisation, en mode apprentissage, tel qu’exposé précédemment. Le procédé met en œuvre les étapes suivantes :
- une étape de normalisation (P_l) des données d’entrée comprenant :
- une étape de réception, en provenance d’un module de réception des données de signal, des séquences temporelles comprenant des données représentatives de l’état du canal (CSI), comprenant une variation de l’amplitude du signal au cours du temps ;
- une étape de compressions des données, comprenant, pour chaque séquence temporelle :
• Une sous-étape de réduction de la taille de la séquence temporelle : la séquence est re-encodée avec une précision simple (32 bits), délivrant une séquence temporelle réencodée ;
• Une sous-étape de filtrage de la séquence temporelle réencodée par un filtre linéaire passe bas, par exemple de type « Butterworth » d’ordre 4, avec une fréquence de coupure de limite supérieure 24Hz : ce lissage permet d’éliminer le bruit électromagnétique ; Dans la pratique, la fréquence de coupure est plus fréquemment comprise entre 10 et 15Hz.
• Une sous-étape de redimensionnement de la séquence temporelle filtrée pour obtenir une série de moyenne nulle avec des valeurs comprises dans l’intervalle [-1, +1] : cette opération permet de moyenner les signaux et de relativiser les amplitudes de façon à obtenir des données égalitaires issues de chaque canal, pour toutes les séquences ; les canaux sont considérés comme équivalents pour le traitement réalisé ;
• Une sous-étape de rembourrage : chaque séquence est soit coupée soit allongée pour avoir une taille homogène de données (par exemple 10 mille ou 20 mille échantillons par séquence).
• Une sous-étape de moyennage (sous échantillonage) : chaque séquence est sous-échantillonnée à un nombre pré- déterminé d’échantillons (par exemple de 10 à 100 échantillons en fonction du paramètre de moyennage) en moyennant sur un nombre d’intervalles correspondant au nombre d’échantillons. Plus particulièrement, pour l’application visée, le nombre d’échantillons est compris entre 5 et 100, plus spécifiquement entre 10 et 25.
- Une étape de traitement (P_2) comprenant l’apprentissage (i.e. l’optimisation) (P_4) supervisé des séquences au sein du réseau à état d’écho, comprenant un nombre prédéterminé (et réduit) de nœuds. Plus particulièrement, pour l’application visée, le nombre de nœuds est compris entre 25 et 250 nœuds, en fonction de la finesse des mouvements à reconnaitre. Un nombre de nœuds égal à 50 est suffisant, en pratique, pour classer les signaux selon les six classes évoquées précédemment (« se coucher », « tomber », « marcher », « courir », « s’assoir », « se lever »). Il s’agit d’un compromis entre la finesse de reconnaissance de l’évènement et la charge de calcul résultante.
[0048] Les inventeurs ont déterminé que la reconnaissance des gestes doit exploiter la dynamique naturelle d'un système dynamique entraîné pour le calcul et qu’un réseau à état d’écho est adapté à cette problématique. Ainsi, la combinaison d’une normalisation judicieuse des signaux d’entrée et d’un réseau à état d’écho capturant et mémorisant la dynamique des signaux offre une combinaison permettant de résoudre les problèmes posés par les techniques antérieures.
[0049] Les réseaux d'états d'écho sont très différents de la plupart des systèmes physiques. Tout d'abord, ils fonctionnent en temps discret. De plus, ils sont généralement entièrement connectés, ce qui n'est pas possible pour la plupart des systèmes physiques. Cependant, l’utilisation seule d’un tel réseau n'est pas en soi une recette pour le succès, car il ne fonctionne bien que s'il y a une bonne adéquation entre la dynamique du système et ce qui est attendu pour une tâche donnée. Ainsi, l’étape de normalisation des données, dans l’application visée, a pour fonction de simplifier la captation de la dynamique des signaux en éliminant les perturbations non représentatives de ceux-ci. Le nombre d’échantillons conservés à l’issue de la normalisation varie en fonction de la finesse de reconnaissance du mouvement effectué, tout comme le nombre de nœuds du réseau à état d’écho.
[0050] Un réseau à état d’écho utilisé dans le cadre de la présente est schématiquement illustré en [Fig.3]. Il s’agit d’un réseau de nœuds dans lequel le signal d’entrée est connecté à un système dynamique fixe (càd non entraînable) et aléatoire, appelé le réservoir, créant ainsi une représentation de plus grande dimension (incorporation).
[0051] Pour être plus précis, le réseau de nœuds est peu profond et se compose de trois couches : - Une couche en entrée (Lin) ;
- Une couche interne cachée (Tk), appelée le réservoir ;
- Et une couche en sortie (LO).
[0052] À l’initialisation, les nœuds d'entrée sont connectés au réservoir et on génère aléatoirement des poids de connexion Winp entre la couche d’entrée et le réservoir.
[0053] La particularité de ce réseau réside dans la caractéristique selon laquelle les nœuds du réservoir sont peu connectés et que les connexions sont attribuées une seule fois et sont complètement aléatoires. Les poids Wint du réservoir ne sont pas entraînés donc pas optimisés.
[0054] Pour former la lecture linéaire du réseau à état d’écho, on calcule les poids de sortie Wout en résolvant un système d'équations linéaires Y = Wout X, où la matrice d'état X et la matrice cible Y sont construites en utilisant, respectivement, x(n) et le vecteur des sorties cible y(n) sous forme de colonnes pour chaque instant (i.e. échantillon) tn.(n est compris entre 1 et K) :
[0055] Poids aléatoires : Winp, Wint ;
[0056] Poids optimisables (et optimisés durant l’entrainement) : Wout ;
[0057] Équation d’évolution :
Figure imgf000014_0001
[0059] Couche de sortie délivrant les états du réservoir (vecteur colonne de taille N x 1 contenant les états des N nœuds du réseau) :
Figure imgf000014_0002
[0061] Les poids de connexions Wout entre le réservoir et la couche de sortie sont optimisés, lors de l’apprentissage (à l’étape P_4), en se basant sur une relation linéaire (par exemple en calculant une régression linéaire). Il y a autant de poids de sortie que de neurones (le schéma de la [Eig.3] est ainsi simplifié pour plus de lisibilité).
[0062] L’optimisation du réseau revient à résoudre un problème d’optimisation linéaire, en utilisant des algorithmes efficaces et robustes comme par exemple des algorithmes de régression linéaire. Les calculs sont simples et rapides, sans itérations récurrentes, et permettent de trouver une valeur optimale des poids de sortie compte tenu de la classification recherchée.
[0063] L’avantage de la mise en œuvre d’un réseau à état d’écho est que les connexions aléatoires clairsemées dans le réservoir permettent aux états précédents de "faire écho" même après leur passage, de sorte que lorsque le réseau reçoit une nouvelle entrée (un échantillon de signal issu de la normalisation) similaire à quelque chose sur lequel il s'est entraîné, la dynamique dans le réservoir suit la trajectoire d'activation appropriée pour l'entrée et de cette manière peut fournir un résultat correspondant à ce sur quoi il s’est entraîné, et lorsqu’il est bien formé, il peut généraliser à partir des signaux qu’il a déjà rencontrés, en suivant des trajectoires d’activation qui auraient du sens étant donné le signal d’entrée pilotant le réservoir.
[0064] Dans le contexte de l’invention et de la normalisation réalisée sur le signal d’entrée (qui à la base possède beaucoup trop d’informations), l’avantage est que le réseau ne nécessite pas un entrainement sur la totalité des nœuds pour obtenir de bonnes performances et est peu gourmand en énergie et en puissance de calcul.
[0065] Plus particulièrement, selon la présente, la normalisation des amplitudes des signaux délivre un nombre K prédéterminé d’échantillons (par exemple entre 10 et 25).
[0066] Chaque échantillon (du nombre prédéterminé K d’échantillons) est injecté dans le réseau de nœuds.
[0067] Puis, pour chacun de ces échantillons, on capte l’état du système x; en sortie du réseau (couche interne cachée). On obtient donc K états du système, soit K SOI ( « State Of Interest ») représentés par les matrices colonnes en sortie du réservoir.
[0068] Le résultat y(n) est la classe obtenue par combinaison linéaire d’un état x; avec les poids wout au niveau de la couche de sortie selon l’équation précédente. Les poids de sortie sont optimisés par régression linéaire pour attribuer la bonne classe au signal d’entrée.
[0069] Avant l’optimisation, il est envisageable d’effectuer une étape de concaténation (P_3) des sorties du réseau à état d’écho : de manière astucieuse, les SOI peuvent être concaténés pour améliorer la mémoire du système. Par exemple, on pourrait concaténer les états xK et xK pour renforcer la présence des premières captures dans la « mémoire » du réservoir (ces premières captures seraient possiblement « atténuées » au moment de la Kème capture). Ainsi, en concaténant deux états de sortie, dans le cas où le réseau de nœuds comprend par exemple 50 nœuds, on obtient un vecteur (colonne) d’état final (i.e. issu de la concaténation) de 100x1 éléments au niveau de la couche de sortie (au lieu de 50x1 dans le cas d’un SOI unique) et on optimise 100 poids de sortie au lieu de 50 lors de la régression linéaire.
[0070] Pour déterminer le nombre de SOI optimal à combiner, ainsi que les SOI particuliers à utiliser, on peut, optionnellement, mettre en œuvre, lors de l’apprentissage, un procédé de détermination itératif. Dans ce procédé de détermination du nombre de concaténations, on commence par fixer le nombre de SOI à 1, et on réalise K simulations.
[0071] Dans chaque simulation indépendante, on initialise le réservoir depuis le début, et on y fait passer l’entièreté de la base des enregistrements des signaux d’entrée prétraités.
[0072] Dans la première simulation, on retient le premier SOI Xj au niveau de la couche de sortie (càd l’état du système après avoir traité le premier échantillon), on optimise les 50 poids de lecture (par régression linéaire) et on note la performance (précision de classification) du réseau. [0073] Dans la deuxième simulation, on utilise le SOI x2, on entraîne la couche de sortie et on note la performance. Et ainsi de suite jusqu’à K simulations, où l’on utilise xK pour l’entraînement. À l’issue de ces K simulations, on retient la meilleure performance et on conclut qu’avec un seul SOI, le choix optimal est x; qui donne une précision de X %.
[0074] Ensuite, on fixe le nombre de SOI à deux (concaténation de deux SOI), et on réalise K*((K-l)/2) simulations. Dans la première simulation, on combine les états x, et x2 dans un vecteur 100x1 (toujours pour un réseau de 50 nœuds), on optimise 100 poids de lecture, et on note la performance. Dans la deuxième simulation, on combine les états Xj et x3, et ainsi de suite jusqu’à la dernière simulation, où l’on combine les états x K-i et xK. On retient la meilleure performance des K*((K-l)/2) simulations et on conclue sur la meilleure combinaison de 2 SOI et la précision obtenue.
[0075] On procède ainsi pour trois SOI, puis quatre SOI, et ainsi de suite. En pratique, les inventeurs ont déterminé que le niveau de performance atteint un niveau plateau, à partir duquel ajouter plus de SOI n’améliore pas le résultat final. Selon l’expérience des inventeurs, la concaténation de NbConcat = 5 SOI suffit pour atteindre une performance optimale.
[0076] La concaténation augmente la complexité de calcul du processus de formation, puisque le nombre de poids de lecture augmente de manière linéaire avec la concaténation : par ex. combiner 2 états de réservoir implique de former 12N poids de lecture au lieu de 6N (pour les 6 nœuds de sortie binaires et les N nœuds du réservoir). Plus particulièrement, le nombre de nœuds de sortie correspond au nombre d'actions à distinguer (dans le cas d’espèce, 6 : « se coucher », « tomber », « marcher », « courir », « s’assoir », « se lever »). Dans cet exemple, plutôt que déterminer un nœud de sortie pour X actions à distinguer (et donc, à entraîner le système à produire les réponses de 1 à X correspondant à chaque classe) on définit X nœuds binaires de sortie, et on entraîne chacun des nœuds indépendamment à produire 1 si l'entrée correspond à sa classe, et 0 sinon. En pratique, les nœuds de sortie produisent des nombres réels compris entre 0 et 1 : chaque nœud donne une probabilité que l'entrée corresponde à sa classe, et on sélectionne le nœud binaire de sortie qui produit la valeur la plus élevée pour attribuer la classe de l'entrée.
1. Autres caractéristiques et avantages
[0077] On présente, en relation avec la [Fig.3], une architecture simplifiée d’un dispositif électronique de traitement (TC) apte à effectuer tout ou une partie des traitements tels que présentés précédemment. Un dispositif électronique de traitement comprend un premier module électronique comprenant une mémoire 31, une unité de traitement 32 équipée par exemple d’un microprocesseur, et pilotée par un programme d’ordinateur 33. Le dispositif électronique de traitement comprend optionnellement, pour des fonc- tionnalités de sécurité, comme l’anonymisation des données de signal ou des états issus de ces signaux, un deuxième module électronique comprenant une mémoire sécurisée 34, qui peut être fusionnée avec la mémoire 31 (comme indiqué en pointillés, dans ce cas la mémoire 31 est une mémoire sécurisée), une unité de traitement sécurisée 35 équipée par exemple d’un microprocesseur sécurisée et de mesure physiques de protection (protection physique autour de la puce, par treillis, vias, etc. et protection sur les interfaces de transmission de données), et pilotée par un programme d’ordinateur 36 spécifiquement dédié à cette unité de traitement sécurisée 35, ce programme d’ordinateur 36 mettant en œuvre tout ou une partie du procédé de caractérisation tel que précédemment décrit. Le groupe composé de l’unité de traitement sécurisée 35, de la mémoire sécurisée 34 et du programme d’ordinateur dédié 36 constitue le module sécurisé (PS) du dispositif électronique de traitement. Dans au moins un mode de réalisation, la présente technique est mise en œuvre sous la forme d’un ensemble de programmes installés en partie ou en totalité sur cette portion sécurisée dispositif électronique de traitement. Dans au moins un autre mode de réalisation, la présente technique est mise en œuvre sous la forme d’un composant dédié (CpX) pouvant traiter des données des unités de traitement et installé en partie ou en totalité sur la portion sécurisée du dispositif électronique de traitement. Par ailleurs, le dispositif comprend également des moyens de communication (CIE) se présentant par exemple sous la forme de composants réseaux (Wlan, Wi-Fi, 3G/4G/5G, filaire) qui permettent au dispositif de recevoir des données (I) en provenance d’entités connectées à un ou plusieurs réseaux de communication et des transmettre des données traitées (T) à de telles entités.
[0078] Un tel dispositif comprend, en fonction des modes de réalisation, les moyens précédemment décrits :
- des moyens d’obtention de données représentatives d’un signal ; et notamment :
- des moyens d’obtention des données de variation d’amplitude de signal telles que précédemment décrites ;
- des moyens de normalisation des données représentatives de ce signal ;
- des moyens de traitement des données normalisées ; et
- des moyens d’optimisation des poids de sortie d’un réseau à état d’écho, ces moyens étant mis en œuvre lors de l’apprentissage des classe d’appartenance des signaux fournis au système ;
- des moyens de transmission de la classe retenues pour les données représentatives du signal d’entrée.
[0079] Comme explicité précédemment, ces moyens sont mis en œuvre par l’intermédiaire de modules et/ou de composants, par exemple sécurisés. Ils permettent ainsi d’assurer la sécurité des traitements réalisés.

Claims

Revendications
[Revendication 1] Procédé de caractérisation d'un événement survenant au sein d’un espace comprenant un équipement de réception de signaux WLAN, procédé mis en œuvre par un dispositif électronique de traitement, procédé caractérisé en ce qu’il comprend :
- une étape de normalisation (P_l) des données d’entrée visant la réduction de la résolution d’une pluralité de séquences de signaux WLAN reçues par ledit équipement de réception, délivrant une pluralité de séquences compressées ; et
- une étape de traitement (P_2) de la pluralité de séquences compressées par un réseau à état d’écho comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d’appartenance de chaque séquence compressée à une classe parmi un ensemble de classes d’événements prédéterminé.
[Revendication 2] Procédé de caractérisation selon la revendication 1, caractérisé en ce que l’étape de normalisation (P_l) des données d’entrée visant la réduction de la résolution de la pluralité de séquences de signaux WLAN reçues, comprend :
- une étape d’obtention de la pluralité de séquences de signaux, chaque séquence de signal comprenant une variation d’amplitude de signal monodimensionnel au cours du temps ;
- une étape de compression de chaque séquence de signal de la pluralité de séquence de signaux, dans laquelle un sous échantillonnage de chaque séquence de signal est effectué, de sorte que le nombre d’échantillons de chaque séquence compressée résultante est égal à un nombre K prédéterminé.
[Revendication 3] Procédé de caractérisation selon la revendication 2, caractérisé en ce que l’étape de compression de chaque séquence de signal de la pluralité de séquence de signaux comprend, pour une séquence de signal courante :
- une étape de ré-encodage de la séquence courante avec une précision réduite, délivrant une séquence réencodée ;
- une étape de filtrage de la séquence réencodée par un filtre linéaire passe bas, avec une fréquence de coupure de limite supérieure 24Hz, délivrant une séquence temporelle filtrée ; - une étape de redimensionnement de la séquence temporelle filtrée pour obtenir une série de moyenne nulle avec des valeurs comprises dans l'intervalle [-1, +1] ;
- une étape de rembourrage de la séquence redimensionnée pour produire une séquence d’une longueur prédéterminée ;
- une étape de sous-échantillonnage au nombre K prédéterminé d’échantillons en moyennant les valeurs de ladite séquence rembourrée sur un nombre d’intervalles correspondant au nombre K d’échantillons.
[Revendication 4] Procédé de caractérisation d'un événement selon la revendication 1, caractérisé en ce que l’étape de traitement (P_2) de la pluralité de séquences compressées par un réseau à état d’écho comprend une étape d’optimisation d’un nombre prédéterminé X de poids de sorties d’un nombre prédéterminé N de nœuds du réseau à état d’écho de sorte que chaque séquence de signal d’entrée puisse être attribuée à une classe d’évènement prédéterminée parmi l’ensemble de classes d’événements prédéterminé.
[Revendication 5] Procédé de caractérisation d'un événement selon la revendication 4 caractérisé en ce que l’étape d’optimisation du nombre prédéterminé X de poids de sorties du réseau à état d’écho comprend une étape de calcul d’une régression linéaire.
[Revendication 6] Procédé de caractérisation selon la revendication 5, caractérisé en ce que l’étape de calcul d’une régression linéaire comprend :
- une étape de concaténation d’un nombre prédéterminé d’états du réseau à état d’écho qui sont sélectionnés parmi les K états du réseau à état d’écho, délivrant un état concaténé ;
- une étape de calcul d’une régression linéaire pour ajuster les poids de sortie du réseau à état d’écho en fonction de l’état concaténé.
[Revendication 7] Procédé selon la revendication 1, caractérisé en ce que le nombre N de nœuds du réseau à état d’écho est compris entre 25 et 250.
[Revendication 8] Procédé selon la revendication 2, caractérisé en ce que le nombre d’échantillons K de chaque séquence est compris entre 10 et 25.
[Revendication 9] Dispositif électronique de caractérisation d'un événement survenant au sein d’un espace comprenant un équipement de réception de signaux WLAN, dispositif caractérisé en ce qu’il comprend :
- des moyens de réduction de la résolution d’une pluralité de séquences de signaux WLAN reçues par ledit équipement de réception, délivrant des séquences compressées ; et
- des moyens de traitement des séquences compressées par un réseau à état d’écho comprenant un nombre N prédéterminé de nœuds, délivrant une probabilité d’appartenance de chaque séquence compressée à une classe parmi un ensemble de classes d’événements prédéterminé.
[Revendication 10] Produit programme d’ordinateur téléchargeable depuis un réseau de communication et/ou stocké sur un support lisible par ordinateur et/ou exécutable par un microprocesseur, caractérisé en ce qu’il comprend des instructions de code de programme pour l’exécution d’un procédé selon l’une quelconque des revendications 1 à 8 lorsqu’il est exécuté par un ordinateur.
PCT/EP2023/075976 2022-09-21 2023-09-20 Procédé de traitement de signal monodimensionnel, dispositif et programme correspondant WO2024061989A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2209536A FR3139962A1 (fr) 2022-09-21 2022-09-21 procédé de traitement de signal monodimensionnel, dispositif et programme correspondant.
FRFR2209536 2022-09-21

Publications (1)

Publication Number Publication Date
WO2024061989A1 true WO2024061989A1 (fr) 2024-03-28

Family

ID=83996654

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2023/075976 WO2024061989A1 (fr) 2022-09-21 2023-09-20 Procédé de traitement de signal monodimensionnel, dispositif et programme correspondant

Country Status (2)

Country Link
FR (1) FR3139962A1 (fr)
WO (1) WO2024061989A1 (fr)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020037313A1 (fr) 2018-08-17 2020-02-20 The Regents Of The University Of California Identification de personne sans dispositif et reconnaissance de geste sans dispositif
CN110890932A (zh) * 2019-11-26 2020-03-17 北京邮电大学 基于esn模型的5g毫米波信道信息确定的方法及装置
US20210178244A1 (en) * 2019-12-13 2021-06-17 Rapsodo Pte. Ltd. Kinematic analysis of user form

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020037313A1 (fr) 2018-08-17 2020-02-20 The Regents Of The University Of California Identification de personne sans dispositif et reconnaissance de geste sans dispositif
CN110890932A (zh) * 2019-11-26 2020-03-17 北京邮电大学 基于esn模型的5g毫米波信道信息确定的方法及装置
US20210178244A1 (en) * 2019-12-13 2021-06-17 Rapsodo Pte. Ltd. Kinematic analysis of user form

Also Published As

Publication number Publication date
FR3139962A1 (fr) 2024-03-22

Similar Documents

Publication Publication Date Title
EP2696344B1 (fr) Procede et systeme pour detecter des evenements sonores dans un environnement donne
US20180218261A1 (en) Fraud prediction based on partial usage data
EP2483758A1 (fr) Systeme et procede de reconnaissance de gestes
FR2965377A1 (fr) Procede de classification de donnees biometriques
EP4033399B1 (fr) Dispositif informatique et procédé pour l'estimation de la densité d'une foule
CN108062538A (zh) 人脸识别方法及装置
US20220198711A1 (en) Learned forensic source system for identification of image capture device models and forensic similarity of digital images
EP1792278B1 (fr) Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique
EP1192596B1 (fr) Systeme d'intelligence artificielle pour la classification d'evenements, d'objets ou de situations
FR2979447A1 (fr) Procede de configuration d'un dispositif de detection a capteur, programme d'ordinateur et dispositif adaptatif correspondants
EP3252563B1 (fr) Détermination d'un contexte de mobilité d'un utilisateur porteur d'un équipement muni de capteurs inertiels
WO2024061989A1 (fr) Procédé de traitement de signal monodimensionnel, dispositif et programme correspondant
CN115731620A (zh) 检测对抗攻击的方法和训练对抗攻击检测模型的方法
KR102466257B1 (ko) 다중 광원을 활용한 분광 장치
WO2021151947A1 (fr) Procédé pour générer des données d'apprentissage pour un module de détection de robot, module de détection de robot entraîné à partir de données d'apprentissage générées par le procédé et système de détection de robot
EP3543904A1 (fr) Procédé de contrôle de détection de scènes et appareil correspondant
Progonov Multi-Datasets Evaluation Of GB-Ras Network Based Stegdetectors Robustness To Domain Adaptation Problem
FR3105485A1 (fr) Procede et dispositif de detection d’equipement intrus
FR3089648A1 (fr) Procede de detection non supervise d’attaques internes et systeme associe
Karthikeyan et al. Retracted: An efficient stacking model with SRPF classifier technique for intrusion detection system
FR3126527A1 (fr) Procédé, programme d’ordinateur et dispositif de traitement d’images par extraction de composante(s) principale(s) d’une représentation d’images
US11416738B1 (en) Model reutilization with heterogeneous sensor stacks via sensor data auto-normalization
Singh et al. A hybrid data fusion approach with twin CNN architecture for enhancing image source identification in IoT environment
Kanaan Deep neural networks algorithms for acoustic drone detection
FR3117597A1 (fr) Procédé de contrôle non destructif pour une pièce aéronautique

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: 23769304

Country of ref document: EP

Kind code of ref document: A1