WO2024146928A1 - Systeme d'aide au diagnostic de troubles du neurodeveloppement et de sante mentale associes chez un utilisateur enfant ou adolescent - Google Patents

Systeme d'aide au diagnostic de troubles du neurodeveloppement et de sante mentale associes chez un utilisateur enfant ou adolescent Download PDF

Info

Publication number
WO2024146928A1
WO2024146928A1 PCT/EP2024/050168 EP2024050168W WO2024146928A1 WO 2024146928 A1 WO2024146928 A1 WO 2024146928A1 EP 2024050168 W EP2024050168 W EP 2024050168W WO 2024146928 A1 WO2024146928 A1 WO 2024146928A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
disorders
mental health
neurodevelopmental
child
Prior art date
Application number
PCT/EP2024/050168
Other languages
English (en)
Inventor
Vanessa DOUET-VANNUCCI
Alexandre HENNEQUIN
Original Assignee
O-Kidia
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 O-Kidia filed Critical O-Kidia
Publication of WO2024146928A1 publication Critical patent/WO2024146928A1/fr

Links

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/162—Testing reaction times
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/163—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state by tracking eye movement, gaze, or pupil change
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/168—Evaluating attention deficit, hyperactivity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4803—Speech analysis specially adapted for diagnostic purposes
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Definitions

  • the different temporal biometric signals i.e. containing information characteristic of a user
  • the acquisition module while the user interacts with the interface module, make it possible to obtain precise measurements of the response of the user to one or more external stimuli.
  • These multimodal signals are then processed by the extraction module which will extract or calculate characteristics from these signals.
  • the characteristics can be obtained directly by a mathematical calculation or involve a machine learning model.
  • the characteristics are advantageously chosen in relation to the associated neurodevelopmental or mental health disorder(s). These characteristics may constitute all or part of a digital phenotype of the user.
  • the plurality of temporal biometric signals can be chosen from: a video signal comprising the tracking of the user's eyes or face, a position signal of a member of the user, an audio signal of the user's voice, an electroencephalogram, and/or a physiological signal from the user.
  • the acquisition module may comprise a camera and is configured to receive a video signal comprising the tracking of the user's eyes, and a characteristic extracted from the video signal is chosen from the following: projection of the gaze on a surface, heat map of the projection of the gaze on a surface, emotional profile of the user, units of facial actions, blinking of the user's eyes, acceleration of the projection of the user's gaze, angle formed by the user's gaze relative to the perpendicular to a surface, saccades in the gaze trajectory, the number of gaze fixations on a specific item, the time spent looking at a specific item.
  • a characteristic extracted from the video signal is chosen from the following: projection of the gaze on a surface, heat map of the projection of the gaze on a surface, emotional profile of the user, units of facial actions, blinking of the user's eyes, acceleration of the projection of the user's gaze, angle formed by the user's gaze relative to the perpendicular to a surface, saccades in the gaze trajectory, the number of gaze fixations on a specific item
  • a physiological signal can be an electroencephalogram, an electrocardiogram, a heart rate, a blood pressure.
  • Such a system is compact and easy to use for a child or adolescent user.
  • the extraction module can involve at least one automatic learning algorithm previously trained on a set of annotated signals collected from child or adolescent users.
  • the automatic learning model of the classification module may include at least one artificial neural network.
  • the artificial neural network may comprise a single layer.
  • Such a neural network makes it possible to improve the explainability of the classification obtained, which makes it possible to know the contribution of the different characteristics to the final classification.
  • the system may include a comparison module, configured to compare the score(s) assigned to the user with one or more reference values.
  • the system may further comprise a display module comprising a display for displaying the score(s) obtained to the user or an authorized practitioner.
  • the present disclosure also relates to a system for assisting in the diagnosis of neurodevelopmental disorders and/or associated mental health disorders in a child or adolescent user, comprising: a human-interface machine configured to present to the user an interactive program, preferably the program is a game, and to simultaneously receive a plurality of temporal biometric signals resulting from the user's interaction with the interface module when the user interacts with said program, at least one processor configured to: o extract or calculate from each temporal biometric signal, at least one characteristic relevant for the evaluation of at least one associated neurodevelopment or mental health disorder in the child or the adolescent, and o assign to the user one or more scores relating to one or more associated neurodevelopmental or mental health disorders, based on the characteristics extracted or calculated by the extraction module and a learning model automatic previously trained on a set of annotated training data collected on child or adolescent users having been annotated to determine the presence or absence of at least one neurodevelopmental disorder and/or at
  • the present disclosure also relates to a computer-implemented method for assisting in the diagnosis of neurodevelopmental disorders and/or associated mental health disorders in a child or adolescent user, comprising at least the following steps : presenting an interactive program to the user, simultaneously acquiring a plurality of temporal biometric signals resulting from the user's interaction with the interactive program, extracting or calculating, for each biometric signal temporal, of at least one characteristic relevant for the evaluation of a symptom relating to an associated neurodevelopment or mental health disorder in children or adolescents, and the attribution, using the extracted characteristics or calculated and a previously trained machine learning model on a set of annotated data collected on child users, one or more scores relating to one or more symptoms of neurodevelopmental disorders
  • Neurodevelopmental disorders are characterized by a disturbance in the cognitive, behavioral or emotional development of the child which impairs school, social and family adaptive functioning.
  • a “multimodal signal” refers to a set of components which are represented or transmitted simultaneously through several sensory modes or communication channels. These sensory modes can include vision, hearing, touch, taste and smell.
  • the components of a multimodal signal allow the receiver to extract different information.
  • a multimodal signal makes it possible to obtain richer and more complex information, reflecting the diversity of sensory stimuli present in our environment. For example, a video can contain both images and sounds, two different modalities.
  • Figure 1 is a diagram illustrating a system according to one embodiment of the invention.
  • Figure 2 represents another embodiment of a system according to the invention.
  • FIGS 4A and 4B illustrate an example.
  • a system 100 according to one embodiment of the invention is shown in Figure 1.
  • the system 100 is configured to allow assistance in the diagnosis of disorders of the neurodevelopment or mental health disorders associated with these neurodevelopmental disorders, in children or adolescents.
  • system 100 is preferably aimed at children aged around 2 years old (i.e. age where the child is capable of interacting with system 100) and older, up to young adults aged around 20 years old.
  • the associated mental health disorders can be chosen from the following: depression, anxiety, sleep disorders, social interaction disorders, and/or emotional dysregulation disorders. These correspond to codes F-20 to F-59 defined in the ICD-10 classification.
  • the interface module 110 is configured to present to the user 1 an interactive program, that is to say one or more tasks making it possible to stimulate the user and which require a response from the latter .
  • the interactive program is a game, allowing better participation of child or adolescent users.
  • the type of game can advantageously be adapted to the detection of specific symptoms.
  • the interface module 110 may include a display screen and means for the user to interact with the interactive program (for example a touch surface, a mouse, and/or a keyboard).
  • the acquisition module 120 comprises a tactile surface or a specific acquisition device and is configured to receive a position signal from at least one finger or hand of the user , and a characteristic extracted from the position signal is chosen from: acceleration of the user's finger or hand, heat map of the position of the finger or hand, number of screen touches by the user.
  • Table 1 describes the different acoustic characteristics that can be used:
  • the acquisition module 120 comprises at least one of: a sensor for measuring a physiological signal, a touch surface, a touch screen, a mouse, a microphone, a camera, a keyboard , an accelerometer, a gyroscope.
  • the acquisition module 120 can alternatively use the touch surface, the touch screen or the mouse of the interface module.
  • the extraction module 131 is configured to extract or calculate, from each temporal biometric signal, at least one relevant characteristic for the evaluation of at least one symptom relating to a neurodevelopmental disorder or associated mental health in children or adolescents.
  • the extraction module 131 can perform a calculation on a biometric signal (for example a mathematical transformation, the application of a specific mathematical function) or involve an automatic learning model.
  • a biometric signal for example a mathematical transformation, the application of a specific mathematical function
  • the model has been previously trained on a training database, including a set of data collected on child or adolescent users and annotated, making it possible to obtain better results on these users than known methods.
  • the different temporal biometric signals can be acquired with different sampling frequencies (for example: video at a frequency of 28 frames per second, audio signal: 16 kHz, tactile signal: ⁇ 100 Hz), it It is advantageous to align the acquired data to allow comparison both on the same user or between different users.
  • features are extracted for each modality, then aggregated at the lowest sampling rate (usually that of video) using an average or sum function, depending on the feature considered.
  • the temporally aligned multimodal data advantageously consists of n characteristics per image (video), n being an integer greater than or equal to 1.
  • the classification module 133 is further configured to, from the characteristics extracted or calculated by the extraction module and a machine learning model (previously trained on a set of annotated data collected on child users or adolescents), assign to the user one or more scores relating to one or more symptoms relating to at least one or more associated neurodevelopmental or mental health disorders, representing the mental state of the user as a network of symptoms.
  • scores should correspond to scores on scales that have been shown to have clinical meaning. Indeed, each scale concerns at least one symptom relating to at least one disorder whose score makes it possible to assess the degree of presence or severity.
  • the automatic learning model may include a decision tree (alone or in a forest), or a k nearest neighbors algorithm.
  • the machine learning model may include several of these types of models, and the result of each of the models may be aggregated (for example by taking the average of the results of each of the models).
  • the machine learning model used may have been previously trained on a set of data collected with child or adolescent users.
  • training data can be collected by recording the temporal biometric signals of a child or adolescent user when interacting with a game, then features are extracted from these signals, and a questionnaire carried out by a specialist allows one or more scores relating to a neurodevelopmental disorder or an associated disorder to be obtained.
  • the model is thus trained on the basis of the characteristics and scores obtained in the questionnaire for a set of users.
  • the machine learning model advantageously makes it possible to identify specific digital biomarkers as a composition of multiple characteristics extracted or calculated from the acquired biometric signals, such as the playability of the user (including for example: all the tactile events linked to the game or its reactivity, its facial expressions, its cries/sounds emitted and their particularities%), the pose of the user's head (ie the orientation of his head) or the estimation of the gaze of the user (ie the orientation of his gaze) including the detection of saccades, fixations, eye blinks, checking whether the user is looking at the screen, etc., or certain landmarks on their face.
  • the playability of the user including for example: all the tactile events linked to the game or its reactivity, its facial expressions, its cries/sounds emitted and their particularities
  • the pose of the user's head ie the orientation of his head
  • the estimation of the gaze of the user ie the orientation of his gaze
  • the detection of saccades, fixations, eye blinks checking whether the user is looking
  • the system 100 can advantageously be included in a tablet 200 (FIG. 2), provided with a touch screen 210, a front camera 220 and a microphone 230.
  • User 1 can interact with the tablet 200 using one or more fingers 202 when touching or sliding across the screen.
  • the tablet 200 can record a video of the user's face, including their eyes or their gaze 2.
  • the tablet 200 can also record an audio signal using the microphone 230, containing the noises and words 3 emitted by the user .
  • the tablet 200 can also record a signal representing the interactions between a member of the user, for example his hand or his finger 4, and the touch screen 210.
  • the tablet 200 can then process (ie extract the characteristics and carry out the attribution of scores) the signals recorded locally or send them to a remote unit which will be responsible for carrying out the treatment, to then present a report to a practitioner who will be able to make a diagnosis and provide the appropriate therapeutic response.
  • the system 100 allows the combination of cognitive, emotional, behavioral and cerebral measures, offering a tool to help with diagnosis of neurodevelopmental disorders and/or associated health disorders easy to use, comprehensive and deployable on a large scale.
  • the method comprises a step E2 of simultaneous acquisition of a plurality of temporal biometric signals resulting from the user's interaction with the interactive program.
  • These signals can be stored in memory locally or transmitted to remote memory, for example in a remote server.
  • a second algorithm trained on the basis of video signals and questionnaires relating to attention disorder (“ADHD scale”) and sleep disorder (“PSQI” Pittsbugh Sleep Quality Index), allows, from the generated set of vectors, to obtain a score on the “ADHD scale” or on the “PSQI” scale.
  • the second algorithm can advantageously be a recurrent neural network (“RNN”).
  • Figure 4A shows the prediction of scores relating to attention disorder (“ADHD”) as a function of the score obtained for the emotion “fear” on 4 different users. Each point corresponds to the score calculated on the ADHD scale for one image of each video sequence of a user (each video contains in the example 5000 images). A good correlation is observed for all four users tested.
  • ADHD attention disorder
  • Figure 4B shows the prediction of scores relating to sleep disorder (“PSQI”) as a function of the score obtained for the emotion “fear” for the same 4 users. We also observe a good correlation for all the users tested.
  • PSQI sleep disorder

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Psychiatry (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Developmental Disabilities (AREA)
  • Child & Adolescent Psychology (AREA)
  • Hospice & Palliative Care (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Educational Technology (AREA)
  • Artificial Intelligence (AREA)
  • Neurology (AREA)
  • Physiology (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Fuzzy Systems (AREA)
  • Signal Processing (AREA)
  • Neurosurgery (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

La présente invention concerne un système pour l'aide au diagnostic des troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant : un module d'interface configuré pour présenter à l'utilisateur un programme interactif, de préférence le programme est un jeu, un module d'acquisition configuré pour recevoir simultanément une pluralité de signaux biométriques temporels résultant de l'interaction de l'utilisateur avec le module d'interface lorsque l'utilisateur interagit avec ledit programme, un module d'extraction configuré pour extraire ou calculer à partir de chaque signal biométrique temporel, au moins une caractéristique pertinente pour l'évaluation d'au moins un symptôme relatif à au moins un trouble du neurodéveloppement ou de santé mentale associé chez l'enfant ou l'adolescent, et un module de classification configuré pour, à partir des caractéristiques extraites ou calculées par le module d'extraction et d'un modèle d'apprentissage automatique préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants, attribuer à l'utilisateur un ou plusieurs scores relatifs à un ou plusieurs symptômes relatifs à un ou plusieurs troubles du neurodéveloppement ou de santé mentale associés.

Description

SYSTEME D’AIDE AU DIAGNOSTIC DE TROUBLES DU NEURODEVELOPPEMENT ET DE SANTE MENTALE ASSOCIES CHEZ UN UTILISATEUR ENFANT OU ADOLESCENT
DOMAINE DE L’INVENTION
[0001] La présente invention concerne un système d’aide au diagnostic de troubles du neurodéveloppement et de santé mentale associés chez un utilisateur enfant ou adolescent, et un procédé mis en œuvre par ordinateur associé.
[0002] L’invention peut correspondre à un dispositif médical permettant de déterminer de façon automatisée, au moins un score relatif à un symptôme associé à un ou plusieurs troubles du neurodéveloppement et de santé mentale associés chez l’enfant ou l’adolescent grâce à la combinaison de la biométrie et des techniques d’apprentissage automatique.
ÉTAT DE LA TECHNIQUE
[0003] Dans le monde, un enfant et un adolescent sur six souffre de troubles du neurodéveloppement et de santé mentale associés avec des impacts négatifs qui perdurent : perte d’estime de soi, échec scolaire et pensées suicidaires. On estime à 166 millions le nombre de jeunes qui sont affectés dans leur quotidien que ce soit sur le plan scolaire, comportemental ou social.
[0004] Les troubles du neurodéveloppements (appelés « Neuro Developmental Disorders » ou NDD en anglais) commencent dans l’enfance et peuvent devenir des maladies chroniques qui persistent toute la vie et entraînent une diminution de l’espérance de vie de 10 à 15 ans. Or plus ces troubles sont détectés tôt, plus vite il est possible de mettre en place une aide et un accompagnement appropriés à l’école et en dehors de celle- ci, ce qui a montré des améliorations significatives à plusieurs niveaux (diminution des symptômes, meilleur développement neurologique...). [0005] Malheureusement, à l’heure actuelle, il faut entre deux et quatre ans et de multiples visites auprès de différents praticiens de santé pour obtenir un diagnostic. De plus, il existe une faible acculturation des services de psychiatrie à l'évaluation clinique. Les dossiers patients informatiques actuels ne proposent pas cette fonctionnalité. Enfin, peu de ressources de données cliniques sont structurées.
[0006] De plus, jusqu’à 10% des enfants présentent un ou plusieurs troubles du neurodéveloppement. Par exemple, des difficultés d’apprentissage sont présentes chez 44% des enfants ayant des troubles du déficit d’attention avec ou sans hyperactivité ou TDAH (appelés « Attention-Deficit/Hyperactivity Disorders » ou ADHD en anglais), et chez 65-85% des enfants autistes, et la cooccurrence du TDAH et de l’autisme varie de 30 à 70%. Enfin, les troubles neurodéveloppementaux et de santé mentale associés présentent des phénotypes cliniques complexes souvent associés à des dimensions transnosographiques telles que la dysrégulation des émotions et le dysfonctionnement exécutif. Ces dimensions altèrent le fonctionnement adaptatif, ce qui entraîne souvent des conséquences négatives telles que le rejet par les pairs, les brimades, une éducation parentale sévère ou une négligence grave. En outre, les phénotypes des troubles neurodéveloppementaux se chevauchent fortement, ce qui complique le diagnostic et la planification thérapeutique dans la pratique clinique de tous les jours.
[0007] Ainsi, il existe un réel besoin de pouvoir saisir à grande échelle un ensemble complexe de caractéristiques de chaque enfant à l’aide de moyens robustes et significatifs, qui permettraient de comprendre les mécanismes sous-jacents et ainsi de fournir un soutien efficace à ceux qui en ont besoin. Or, pour le moment, il n’existe aucun outil numérique unique et consensuel qui facilite l'évaluation initiale et la pose du diagnostic des patients, ainsi que leur orientation vers la thérapie la plus appropriée. L’objectif de cet outil est de mieux appréhender l’ensemble des symptômes des patients de façon plus agnostique et holistique (transdiagnostique), de surveiller la progression et la sévérité des symptômes d'un patient et de fournir des indicateurs pour une personnalisation de la thérapie. L’invention se propose de remédier à ce manque.
[0008] Enfin, il est à noter que la structure cérébrale des enfants et des adolescents ainsi que leurs comportements sociaux étant différents des adultes, il est essentiel d’avoir un outil adapté à ces spécificités. En effet, l’application d’outils développés pour des adultes, sur des enfants et des adolescents dont le développement cognitif, comportemental et biologique n’est pas achevé et dont les réactions physiologiques ne sont pas comparables ne permettrait pas d’obtenir des résultats correctement exploitables et interprétables.
RÉSUMÉ DE L’INVENTION
[0009] Ainsi, pour répondre à ces différentes problématiques, la présente divulgation a pour objet un système d’aide au diagnostic de troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant : un module d’interface configuré pour présenter à l’utilisateur un programme interactif, de préférence le programme est un jeu, un module d’acquisition configuré pour recevoir simultanément une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le module d’interface lorsque l’utilisateur interagit avec ledit programme, un module d’extraction configuré pour extraire ou calculer à partir de chaque signal biométrique temporel, au moins une caractéristique pertinente pour l’évaluation d’au moins un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et un module de classification configuré pour, à partir des caractéristiques extraites ou calculées par le module d’extraction et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants ou adolescents, attribuer à l’utilisateur un ou plusieurs scores relatifs à un ou plusieurs troubles du neurodéveloppement ou de santé mentale associés.
[0010] Préférablement, le ou les scores attribués par le module de classification sont relatifs à un ou plusieurs symptômes, eux même relatifs à un ou plusieurs troubles du neurodéveloppement ou de la santé mentale associés. Cela permet de quantifier indépendamment chaque symptôme dont la présence et le degré de sévérité peuvent varier selon le trouble à diagnostiquer.
[0011] Concernant les données d’entrainement annotées recueillies sur des utilisateurs enfants ou adolescents, celles-ci ont été préalablement annotées pour déterminer la présence ou l’absence d’au moins un symptôme relatif à au moins un trouble du neurodéveloppement et/ou au moins un trouble de santé mentale associé, et les données annotées comprennent au moins un degré de sévérité relatif auxdits symptômes des troubles diagnostiqués.
[0012] Les différents signaux biométriques temporels (i.e. contenant des informations caractéristiques d’un utilisateur) enregistrés par le module d’acquisition pendant que l’utilisateur interagit avec le module d’interface, permettent d’obtenir des mesures précises de la réponse de l’utilisateur à un ou plusieurs stimuli extérieurs. Ces signaux multimodaux sont ensuite traités par le module d’extraction qui va extraire ou calculer des caractéristiques à partir de ces signaux.
[0013] Les caractéristiques peuvent être obtenues directement par un calcul mathématique ou faire intervenir un modèle d’apprentissage automatique. Les caractéristiques sont avantageusement choisies en rapport avec le ou les troubles du neurodéveloppement ou de santé mentale associés. Ces caractéristiques peuvent constituer tout ou partie d’un phénotype numérique de l’utilisateur.
[0014] La classification finale est réalisée par le module de classification qui, à partir des caractéristiques extraites, va pouvoir attribuer un ou plusieurs scores sur un ou plusieurs troubles, permettant une aide au diagnostic des troubles considérés chez l’utilisateur enfant ou adolescent. Une réponse thérapeutique adéquate peut ensuite être proposée à l’utilisateur sur la base du ou des scores obtenus.
[0015] Jusqu’alors, aucun système de l’art antérieur ne permet l’attribution de scores facilitant le transdiagnostic puis l’orientation vers le traitement personnalisé de troubles de neurodéveloppement chez l’enfant ou l’adolescent de façon automatisée et depuis plusieurs types de signaux analysés de façon concomitante et dans le temps, comme le propose la présente divulgation.
[0016] De préférence, les troubles du neurodéveloppement peuvent être choisis parmi les suivants : troubles de l’attention avec ou sans hyperactivité, troubles de la communication, troubles spécifiques de l’apprentissage, et/ou troubles moteurs. Comme défini par la classification ICD-10, les codes des troubles du neurodéveloppement sont de F-80 à F-98.
[0017] De préférence, les troubles de santé mentale associés peuvent être choisis parmi les suivants : dépression, anxiété, troubles du sommeil, troubles des interactions sociales, et/ou troubles de la dysrégulation émotionnelle. Ceux-ci correspondent aux codes F-20 à F-59 définis dans la classification ICD-10.
[0018] De préférence, la pluralité de signaux biométriques temporels peut être choisie parmi : un signal vidéo comprenant le suivi des yeux ou du visage de l’utilisateur, un signal de position d’un membre de l’utilisateur, un signal audio de la voix de l’utilisateur, un électroencéphalogramme, et/ou un signal physiologique de l’utilisateur.
[0019] Ces signaux biométriques sont particulièrement pertinents pour l’évaluation des troubles du neurodéveloppement ou de santé mentale associés chez l’enfant ou l’adolescent.
[0020] De préférence, le module d’acquisition peut comprendre une caméra et est configuré pour recevoir un signal vidéo comprenant le suivi des yeux de l’utilisateur, et une caractéristique extraite du signal vidéo est choisie parmi les suivantes : projection du regard sur une surface, carte de chaleur de la projection du regard sur une surface, profil émotionnel de l’utilisateur, unités d’actions faciales, clignotement des yeux de l’utilisateur, accélération de la projection du regard de l’utilisateur, angle formé par le regard de l’utilisateur par rapport à la perpendiculaire à une surface, saccades dans la trajectoire du regard, le nombre de fixations du regard sur un item spécifique, le temps passé à regarder un item spécifique.
[0021] Ces caractéristiques sont avantageusement pertinentes pour l’évaluation des troubles du neurodéveloppement ou de santé mentale associés à partir d’un signal vidéo des yeux et/ou du visage de l’utilisateur.
[0022] De préférence, le module d’acquisition peut comprendre une surface tactile ou d’un dispositif d’acquisition spécifique et est configuré pour recevoir un signal de position d’au moins un doigt ou une main de l’utilisateur, et une caractéristique extraite du signal de position est choisie parmi : trajectoire du doigt ou de la main, vitesse du doigt ou de la main, accélération du doigt ou de la main, pression du doigt ou de la main, carte de chaleur de la position du doigt ou de la main, nombre de touchers de l’écran par l’utilisateur.
[0023] Ces caractéristiques sont avantageusement pertinentes pour l’évaluation des troubles du neurodéveloppement ou de santé mentale associés à partir d’un signal de positionnement des doigts ou de la main de l’utilisateur sur une surface tels que la trajectoire, la vitesse, l’accélération, la pression du doigt ou la gyroscopic engendrée par la main. De préférence, la surface est un écran tactile, et le module d’interface affiche le programme interactif sur ledit écran tactile.
[0024] De préférence, le module d’acquisition peut comprendre un microphone et est configuré pour recevoir un signal audio, et une caractéristique extraite du signal audio est choisie parmi : une transcription du discours de l’utilisateur, les variations de la fréquence de la voix de l’utilisateur, les caractéristiques acoustiques du signal de parole tels que : instabilité (dit « jitter »), miroitement (dit « shimmer »), trémor, rapport harmonique- bruit, rapport de perturbation de fréquence, rapport de perturbation d’amplitude, pente de pics, moyenne de la 1ère harmonique (Fl), moyenne de la 2nde harmonique (F2), variabilité de Fl, variabilité de F2, portée de Fl, espace vocalique, coefficients de codage linéaire prédictif, coefficients cepstraux de fréquence-Mel (MFCC), moyenne de la fréquence fondamentale (FO), variabilité de FO, portée de FO, moyenne de l’intensité, variabilité de l’intensité, variance de l’énergie, vélocité de l’énergie, temps maximum de phonation, débit vocal, débit articulatoire, durée moyenne d’ énoncé, durée de pause moyenne, débit de pause, total de pauses.
[0025] Ces caractéristiques sont avantageusement pertinentes pour l’évaluation des troubles du neurodéveloppement ou de santé mentale associés à partir d’un signal audio comprenant la voix ou les réactions acoustiques de l’utilisateur. [0026] De préférence, le module d’acquisition peut comprendre au moins l’un parmi : un capteur pour mesurer un signal physiologique, un écran tactile, une souris, un microphone, une caméra, un clavier, un accéléromètre, un gyroscope.
[0027] Par exemple, un signal physiologique peut être un électroencéphalogramme, un électrocardiogramme, un rythme cardiaque, une pression artérielle.
[0028] De préférence, le système peut être compris dans une tablette équipée d’un écran tactile, d’une caméra, et d’un microphone.
[0029] Un tel système est compact et facile d’utilisation pour un utilisateur enfant ou adolescent.
[0030] De préférence, le module d’extraction peut faire intervenir au moins un algorithme d’apprentissage automatique préalablement entraîné sur un ensemble de signaux annotés recueillis sur des utilisateurs enfants ou adolescents.
[0031] En particulier, l’annotation des signaux peut être réalisée par un professionnel de santé à l’aide d’un questionnaire.
[0032] De préférence, le modèle d’apprentissage automatique du module de classification peut comprendre au moins un réseau de neurones artificiels.
[0033] De préférence, le réseau de neurones artificiels peut comprendre une seule couche.
[0034] Un tel réseau de neurones permet d’améliorer l’explicabilité de la classification obtenue, ce qui permet de connaître la contribution des différentes caractéristiques à la classification finale.
[0035] De préférence, le système peut comprendre un module de comparaison, configuré pour comparer le ou les scores attribués à l’utilisateur avec une ou plusieurs valeurs de référence. [0036] De préférence, le système peut comprendre en outre un module d’affichage comprenant un affichage pour afficher le ou les scores obtenus à l’utilisateur ou un praticien habilité.
[0037] De préférence, le module d’interface peut comprendre comprend un dispositif d’affichage, et les modules d’acquisition, d’extraction et de classification sont inclus dans une ou plusieurs unités de traitement comprenant chacune un processeur.
[0038] Selon un autre mode de réalisation, la présente divulgation porte également sur un système pour l’aide au diagnostic des troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant : une interface homme-machine configurée pour présenter à l’utilisateur un programme interactif, de préférence le programme est un jeu, et pour recevoir simultanément une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le module d’interface lorsque l’utilisateur interagit avec ledit programme, au moins un processeur configuré pour : o extraire ou calculer à partir de chaque signal biométrique temporel, au moins une caractéristique pertinente pour l’évaluation d’au moins un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et o attribuer à l’utilisateur un ou plusieurs scores relatifs à un ou plusieurs troubles du neurodéveloppement ou de santé mentale associés, à partir des caractéristiques extraites ou calculées par le module d’extraction et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données d’entrainement annotées recueillies sur des utilisateurs enfants ou adolescents ayant été annotées pour déterminer la présence ou absence d’au moins un trouble du neurodéveloppement et/ou au moins un trouble de santé mentale associé, les données annotées comprenant au moins un degré de sévérité relatif auxdits troubles diagnostiqués ; au moins une interface de sortie (i.e., au moins une sortie) configurée pour fournir le ou les scores attribués à l’utilisateur, optionnellement ladite au moins une interface de sortie est configurée pour envoyer le ou les scores attribués à l’utilisateur à un praticien de santé apte à diagnostiquer au moins un trouble du neurodéveloppement et/ou de santé mentale associé chez l’utilisateur.
[0039] Avantageusement, ledit au moins un processeur est également configuré pour identifier une probabilité que l’utilisateur enfant ou adolescent présente au moins un symptôme relatif à un trouble du neurodéveloppement et/ou de santé mentale associé.
[0040] La présente divulgation a également pour objet un procédé mis en œuvre par ordinateur, pour l’aide au diagnostic de troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant au moins les étapes suivantes : la présentation à l’utilisateur d’un programme interactif, l’acquisition simultanée d’une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le programme interactif, l’extraction ou le calcul, pour chaque signal biométrique temporel, d’au moins une caractéristique pertinente pour l’évaluation d’un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et l’attribution, à l’aide des caractéristiques extraites ou calculées et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants, d’un ou plusieurs scores relatifs à un ou plusieurs troubles du neurodéveloppement.
[0041] La présente divulgation a également pour objet un procédé mis en œuvre par ordinateur, pour l’aide au diagnostic de troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant au moins les étapes suivantes : la présentation à l’utilisateur d’un programme interactif, l’acquisition simultanée d’une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le programme interactif, l’extraction ou le calcul, pour chaque signal biométrique temporel, d’au moins une caractéristique pertinente pour l’évaluation d’un symptôme relatif à un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et l’attribution, à l’aide des caractéristiques extraites ou calculées et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants, d’un ou plusieurs scores relatifs à un ou plusieurs symptômes des troubles du neurodéveloppement
[0042] Les caractéristiques préférentielles et avantageuses en lien avec le système précédemment décrit sont également applicables aux procédés décrit ci-dessous.
DÉFINITIONS
[0043] Dans la présente divulgation, les termes ci-dessous sont définis de la manière suivante :
[0044] Les "Troubles du neurodéveloppement" se caractérisent par une perturbation du développement cognitif, comportemental ou affectif de l'enfant qui altère le fonctionnement adaptatif scolaire, social et familial.
[0045] Un "signal multimodal" fait référence à un ensemble de composantes qui sont représentées ou transmises simultanément à travers plusieurs modes sensoriels ou canaux de communication. Ces modes sensoriels peuvent inclure la vision, l'ouïe, le toucher, le goût et l'odorat. Les composantes d’un signal multimodal permettent au récepteur d'extraire des informations différentes. En combinant composantes différentes modalités sensorielles, un signal multimodal permet d’obtenir des informations plus riches et complexes, reflétant la diversité des stimuli sensoriels présents dans notre environnement. Par exemple, une vidéo peut contenir à la fois des images et des sons, soit deux modalités différentes.
[0046] Les termes "Adapté" et "Configuré" sont utilisés dans la présente divulgation comme englobant largement la configuration initiale, l'adaptation ou le complément ultérieur du présent dispositif, ou toute combinaison de ces éléments, que ce soit par des moyens matériels ou logiciels (y compris les microprogrammes).
[0047] Le terme "Processeur" ne doit pas être interprété comme étant limité à un matériel capable d'exécuter un logiciel, et désigne d'une manière générale un dispositif de traitement, qui peut par exemple comprendre un ordinateur, un microprocesseur, un circuit intégré ou un dispositif logique programmable (PLD). Le processeur peut également englober une ou plusieurs unités de traitement graphique (GPU), qu'elles soient exploitées pour l'infographie et le traitement d'images ou d'autres fonctions. En outre, les instructions et/ou les données permettant d'exécuter les fonctionnalités associées et/ou résultantes peuvent être stockées sur tout support lisible par le processeur tel que, par exemple, un circuit intégré, un disque dur, un CD (Compact Disc), un disque optique tel qu'un DVD (Digital Versatile Disc), une RAM (Random-Access Memory) ou une ROM (Read-Only Memory). Les instructions peuvent être stockées notamment dans du matériel, des logiciels, des microprogrammes ou dans toute combinaison de ceux-ci.
BRÈVE DESCRIPTION DES FIGURES
[0048] Figure 1 est un diagramme illustrant un système selon un mode de réalisation de l’invention.
[0049] Figure 2 représente un autre de mode de réalisation d’un système selon l’invention.
[0050] Figure 3 est un ordinogramme illustrant les différentes étapes d’un procédé mis en œuvre par ordinateur selon un mode de réalisation de l’invention.
[0051] Les Ligures 4A et 4B illustrent un exemple.
DESCRIPTION DÉTAILLÉE
[0052] La présente description illustre les principes de la présente divulgation. Il est à noter que l’homme du métier sera en mesure de concevoir divers arrangements qui, bien que n'étant pas explicitement décrits ou montrés ici, incarnent les principes de la divulgation et sont inclus dans sa portée.
[0053] Tous les exemples et le langage conditionnel cités dans le présent document ont pour but d'aider le lecteur à comprendre les principes de la divulgation et les concepts apportés par les inventeurs à l'avancement de l'art, et doivent être interprétés comme n'étant pas limités à ces exemples et conditions spécifiquement cités.
[0054] De plus, toutes les déclarations de principes, d'aspects et de modes de réalisation de la divulgation, ainsi que leurs exemples spécifiques, sont destinés à englober leurs équivalents structurels et fonctionnels. En outre, il est prévu que ces équivalents comprennent à la fois les équivalents actuellement connus et les équivalents développés à l'avenir, c'est-à-dire tout élément développé qui remplit la même fonction, indépendamment de la structure.
[0055] Ainsi, par exemple, l'homme du métier comprendra que les schémas-blocs présentés ici peuvent représenter des vues conceptuelles de circuits illustrant les principes de la divulgation. De même, il sera apprécié que tous les organigrammes, diagrammes d’étapes et autres représentent divers processus peuvent être essentiellement présents dans des supports lisibles par ordinateur et dans des systèmes d'exploitation, que cet ordinateur ou ce processeur soit ou non explicitement représenté.
[0056] Les fonctions des divers éléments illustrés sur les figures peuvent être assurées par l'utilisation d'un matériel dédié ainsi que d'un matériel capable d'exécuter un logiciel en association avec le logiciel approprié. Lorsqu'elles sont assurées par un processeur, les fonctions peuvent être assurées par un seul processeur spécialisé, un seul processeur partagé ou une pluralité de processeurs individuels, dont certains peuvent être partagés.
[0057] H est entendu que les éléments représentés sur les figures peuvent être mis en œuvre sous diverses formes de matériel, de logiciel ou de combinaisons de ceux-ci. De préférence, ces éléments sont mis en œuvre dans une combinaison de matériel et de logiciel sur un ou plusieurs dispositifs polyvalents programmés de manière appropriée, qui peuvent comprendre un processeur, une mémoire et des entrées/sorties.
[0058] Système
[0059] Un système 100 selon un mode de réalisation de l’invention est représenté à la figure 1. Le système 100 est configuré pour permettre l’aide au diagnostic de troubles du neurodéveloppement ou de troubles de santé mentale associés à ces troubles du neurodéveloppement, chez l’enfant ou l’adolescent.
[0060] Il est à noter que les troubles du neurodéveloppement et/ou des troubles de santé mentale associés, tels que le spectre de l’autisme, peuvent parfois être détectés dès les premiers mois de vie et diagnostiqués autour de l’âge de 2 ans ou plus. Chez les adolescents, la science estime que le développement biologique du cerveau se poursuit jusque vers 20 ans. Ainsi, le système 100 s’adresse préférablement aux enfants âgés d’environ 2 ans (i.e. âge où l’enfant est capable d’interagir avec le système 100) et plus, jusqu’aux jeunes adultes âgés d’environ 20 ans.
[0061] Les troubles du neurodéveloppement peuvent être choisis notamment parmi les suivants : troubles de l’attention avec ou sans hyperactivité, troubles de la communication, troubles spécifiques de l’apprentissage, et/ou troubles moteurs. Comme définis par la classification ICD-10, les codes des troubles du neurodéveloppement sont de F-80 à F-98. L’ICD correspond à la classification internationale des maladies (« International Classification Disease » en anglais) qui est un système de classification médicale développé par l’Organisation Mondiale de la Santé, l’OMS, et le 10 correspond à la 10eme édition de cette classification.
[0062] Les troubles de santé mentale associés peuvent quant à eux être choisis parmi les suivants : dépression, anxiété, troubles du sommeil, troubles des interactions sociales, et/ou troubles de la dysrégulation émotionnelle. Ceux-ci correspondent aux codes F-20 à F-59 définis dans la classification ICD-10.
[0063] Le système 100 comprend notamment : un module d’interface 110, un module d’acquisition 120, une unité de traitement 130 comprenant elle-même un module d’extraction 131, un module de classification 133, et éventuellement un module de comparaison 135.
[0064] Le module d’interface 110 est configuré pour présenter à l’utilisateur 1 un programme interactif, c’est-à-dire une ou plusieurs tâches permettant de stimuler l’utilisateur et qui appellent une réponse de la part de ce dernier. De préférence, le programme interactif est un jeu, permettant une meilleure adhésion des utilisateurs enfants ou adolescents. Le type de jeu peut avantageusement être adapté à la détection de symptômes spécifiques. Le module d’interface 110 peut comprendre un écran d’affichage et des moyens pour que l’utilisateur puisse interagir avec le programme interactif (par exemple une surface tactile, une souris, et/ou un clavier).
[0065] Avantageusement, lorsque le programme interactif est un jeu, il peut comprendre des événements de progression ainsi que des défis à atteindre, permettant d’évaluer différents niveaux de réactions de l’utilisateur. Par exemple, le jeu peut être organisé de sorte à définir une trajectoire comportementale attendue de la part des utilisateurs en fonction des signaux biométriques et des caractéristiques ciblés selon un trouble du neurodéveloppement ou un trouble de la santé mentale associé. Le jeu peut également comporter une notion d'échec ou de réussite à chaque niveau joué par l'utilisateur.
[0066] Avantageusement, les moments des événements sont également enregistrés, tels que le temps passé sur un niveau, le temps entre deux actions de jeu, etc. Dans le cadre de l’enregistrement du signal de position d’au moins un doigt, les événements tactiles peuvent être calculés pour construire une trace complète de toutes les entrées digitales recueillies sur une surface tactile, telles que la vitesse des gestes, leur longueur, leur durée, etc.
[0067] Le module d’acquisition 120 est configuré pour recevoir simultanément une pluralité de signaux biométriques temporels 121 différents résultant de l’interaction de l’utilisateur avec le module d’interface 110 lorsque l’utilisateur interagit avec ledit programme. Un signal biométrique temporel est un signal qui est caractéristique de l’utilisateur et propre à sa personne. Un tel signal peut être acquis de diverses manières, soit en utilisant les moyens d’interaction entre l’utilisateur et le module d’interface (par exemple la surface tactile, la souris et/ou le clavier), soit avec des capteurs spécifiques distincts (par exemple une caméra, un microphone, ou un capteur de signal biologique).
[0068] Avantageusement, chaque signal biométrique temporel est unimodal (i.e. : auditif, visuel, tactile...), par exemple : un signal biométrique temporel correspond au son émis par l’utilisation, un signal biométrique temporel correspond à l’interaction de l’utilisateur avec la surface tactile, un signal biométrique temporel correspond à l’enregistrement vidéo de l’utilisateur, etc.
[0069] La pluralité de signaux biométriques temporels 121 peut être par exemple choisie parmi : un signal vidéo comprenant le suivi des yeux ou du visage de l’utilisateur, un signal de position d’un membre de l’utilisateur, un signal audio, un électroencéphalogramme, et/ou un signal physiologique.
[0070] Dans un exemple de réalisation, le module d’acquisition 120 comprend une caméra. La caméra peut être configuré pour recevoir un signal vidéo comprenant une succession d’image de l’utilisateur. Le signal vidéo peut notamment permettre le suivi des yeux de l’utilisateur. Une caractéristique extraite du signal vidéo est choisie parmi les suivantes : projection du regard sur une surface, carte de chaleur de la projection du regard sur une surface, profil émotionnel de l’utilisateur, unités d’actions faciales, clignotement des yeux de l’utilisateur, accélération de la projection du regard de l’utilisateur, angle formé par le regard de l’utilisateur par rapport à la perpendiculaire à une surface, saccades dans la trajectoire du regard, le nombre de fixations du regard sur un item spécifique, le temps passé à regarder un item spécifique.
[0071] Dans un exemple de réalisation, le module d’acquisition 120 comprend une surface tactile ou d’un dispositif d’acquisition spécifique et est configuré pour recevoir un signal de position d’au moins un doigt ou une main de l’utilisateur, et une caractéristique extraite du signal de position est choisie parmi : accélération du doigt ou de la main de l’utilisateur, carte de chaleur de la position du doigt ou de la main, nombre de touchers de l’écran par l’utilisateur.
[0072] Dans un exemple de réalisation, le module d’acquisition 120 comprend en outre au moins un microphone. Le microphone est configuré pour recevoir un signal audio, notamment un audio comprenant le son produit par la voix de l’utilisateur pendant l’interaction avec le programme. Une caractéristique extraite du signal audio est choisie parmi : une transcription du discours de l’utilisateur, les variations de la fréquence de la voix de l’utilisateur, les caractéristiques acoustiques du signal de parole tels que : jitter, shimmer, trémor, rapport harmonique-bruit, rapport de perturbation de fréquence, rapport de perturbation d’amplitude, pente de pics, moyenne de la 1ère harmonique (Fl), moyenne de la 2nde harmonique (F2), variabilité de Fl, variabilité de F2, portée de Fl, espace vocalique, coefficients de codage linéaire prédictif, coefficients cepstraux de fréquence-Mel (MFCC), moyenne de la fréquence fondamentale (FO), variabilité de FO, portée de FO, moyenne de l’intensité, variabilité de l’intensité, variance de l’énergie, vélocité de l’énergie, temps maximum de phonation, débit vocal, débit articulatoire, durée moyenne d’ énoncé, durée de pause moyenne, débit de pause, total de pauses.
[0073] Le tableau 1 décrit les différentes caractéristiques acoustiques utilisables :
Figure imgf000018_0001
Figure imgf000019_0001
Figure imgf000020_0001
[0074] Dans un exemple de réalisation, le module d’acquisition 120 comprend au moins l’un parmi : un capteur pour mesurer un signal physiologique, une surface tactile, un écran tactile, une souris, un microphone, une caméra, un clavier, un accéléromètre, un gyroscope. Le module d’acquisition 120 peut en alternative utiliser la surface tactile, l’écran tactile ou la souris du module d’interface.
[0075] L’unité de traitement 130, pouvant comprendre un ou plusieurs processeurs différents, comprend le module d’extraction 131 et le module de classification 133.
[0076] Le module d’extraction 131 est configuré pour extraire ou calculer, à partir de chaque signal biométrique temporel, au moins une caractéristique pertinente pour l’évaluation d’au moins d’un symptôme relatif à un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent. Le module d’extraction 131 peut réaliser un calcul sur un signal biométrique (par exemple une transformation mathématique, l’application d’une fonction mathématique spécifique) ou faire intervenir un modèle d’apprentissage automatique. Lorsqu’il s’agit d’un modèle d’apprentissage automatique, le modèle a été préalablement entraîné sur une base de données d’entrainement, comprenant un ensemble de données collectées sur des utilisateurs enfants ou adolescents et annotées, permettant d’obtenir de meilleurs résultats sur ces utilisateurs que les méthodes connues.
[0077] Par exemple, lorsque chaque signal biométrique temporel est unimodal, comme pour un signal sonore par exemple, l’extraction peut être l’extraction de chacune des caractéristiques, comme les caractéristiques acoustiques citées précédemment (cf. Tableau 1), en un signal temporel associé. Ainsi, le modèle d’apprentissage automatique peut avantageusement comprendre une pluralité de modèles d’intelligence artificielle déjà entraînés. Par exemple, l'utilisation de réseaux d'apprentissage en profondeur déjà entraînés pour la détection des points du visage et des yeux, la position de la tête, la reconnaissance des émotions, l'estimation du vecteur de regard.
[0078] Avantageusement, le ou les modèle d’apprentissage automatique utilisés comprennent un module d’explicabilité permettant une extraction des caractéristiques de manière à ce qu’elles soient interprétables et efficaces pour la prédiction basée sur l'expérience humaine.
[0079] Les différents signaux biométriques temporels pouvant être acquis avec des fréquences d’échantillonnage différentes (par exemple : la vidéo à une fréquence de 28 images par seconde, le signal audio : 16 kHz, le signal tactile : ~ 100 Hz), il est avantageux d’aligner les données acquises afin de permettre une comparaison à la fois sur le même utilisateur ou entre différents utilisateurs. De préférence, les caractéristiques sont extraites pour chaque modalité, puis agrégées au taux d'échantillonnage le plus bas (généralement celui de la vidéo) à l'aide d'une fonction de moyenne ou de somme, en fonction de la caractéristique considérée. Ainsi, les données multimodales alignées temporellement sont avantageusement constituées de n caractéristiques par image (vidéo), n étant un entier supérieur ou égal à 1. [0080] Dans certains cas, les signaux biométriques temporels pouvant avoir des durées plus ou moins longues en fonction des interactions avec les utilisateurs, il est avantageux d’introduire un concept de données groupées, dans lequel les signaux de chaque utilisateur sont divisés en un nombre arbitraire d’intervalles temporels (exemple p intervalles de temps où p serait un entier supérieur ou égal à 1, par exemple mais de manière non limitative p serait égal à 100). Ainsi, un intervalle peut regrouper un nombre variable d'images par participant, puisque le nombre d'images varie selon les participants mais également du programme interactif utilisé, mais que les données mesurées sont réparties dans le même nombre d’intervalles. Dans chaque intervalle, les caractéristiques peuvent, par exemple, être agrégées sur les images à l'aide d'une fonction de moyenne ou de somme, en fonction de la caractéristique étudiée.
[0081] Ainsi le modèle d’extraction 131 reçoit en entrée les signaux biométriques acquis, correspondant à une série temporelle comprenant un ensemble de caractéristiques, qu’il transforme en une matrice de taille n xp comprenant n caractéristiques extraites ou calculées et divisées en p intervalles.
[0082] Le module de classification 133 est en outre configuré pour, à partir des caractéristiques extraites ou calculées par le module d’extraction et d’un modèle d’apprentissage automatique (préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants ou adolescents), attribuer à l’utilisateur un ou plusieurs scores relatifs à un ou plusieurs symptômes relatifs à au moins un ou plusieurs troubles du neurodéveloppement ou de santé mentale associé, représentant l’état mental de l’utilisateur comme un réseau de symptômes. Ces scores doivent correspondre aux scores des échelles qui ont été démontrées avoir un sens clinique. En effet, chaque échelle concerne au moins un symptôme relatif à au moins un trouble dont le score permet d’évaluer le degré de présence ou de sévérité.
[0083] Par exemple, l’un des instruments d'évaluation les plus utilisés pour évaluer le spectre de l’autisme est le DSM-V (Manuel diagnostique et statistique des troubles mentaux, cinquième édition), publié par l'Association Américaine de Psychiatrie. Le DSM-V propose les critères diagnostiques officiels pour les troubles du spectre autistique (TSA). Le DSM-V, qui a remplacé le DSM-IV en 2013, a introduit la catégorie des troubles du spectre autistique, qui englobe plusieurs troubles préexistants, tels que l'autisme infantile, le syndrome d'Asperger et le trouble envahissant du développement non spécifié. Les critères diagnostiques du DSM-V pour les TSA sont basés sur deux domaines principaux : les déficits persistants dans la communication sociale et les comportements restreints et répétitifs. Pour chaque critère, la sévérité est évaluée sur une échelle allant de 1 à 3 ou de 0 à 3, selon le critère spécifique. Une évaluation globale de la sévérité des symptômes dans le TSA peut être obtenue en combinant ces évaluations. Par exemple, pour les déficits dans les comportements de communication sociale non verbale, l'échelle de sévérité est la suivante : 0 - Aucun déficit observé, 1 - Déficit léger, 2 - Déficit modéré, et 3 - Déficit sévère. Ces évaluations de sévérité sont utilisées pour chaque critère diagnostique, et elles contribuent à une évaluation globale du TSA en fonction de la présence et de la sévérité des symptômes dans les domaines de la communication sociale et des comportements restreints et répétitifs.
[0084] Concernant les données d’entraînement recueillies sur des utilisateurs enfants ou adolescents, celles-ci ont été préalablement annotées pour déterminer la présence ou l’absence d’au moins un symptôme relatif à au moins un trouble du neurodéveloppement et/ou au moins un trouble de santé mentale associé, les annotations comprenant au moins un degré de sévérité relatif auxdits symptômes des troubles diagnostiqués. Lorsque l’enfant ou l’adolescent ne présente aucun symptôme relatif à un trouble du neurodéveloppement ou de santé mental associé, ce degré peut être nul. De préférence, les enfants et adolescents en bonne santé ont été soumis à un dépistage afin de s'assurer qu'ils n'avaient aucun antécédent signalé par les parents de troubles psychiatriques majeurs, de troubles neurologiques, de lésions cérébrales et d'autres affections médicales qui pourraient affecter leur développement cérébral. Les enfants nés prématurément (<36 semaines d'âge gestationnel) avec une exposition significative à des substances toxiques prénatales, notamment l'alcool ou les drogues, sont préférablement exclus.
[0085] Avantageusement, la base de données d’entraînement peut être divisée en k parties égales, k étant un entier supérieur ou égal à 1, afin de réaliser une validation croisée (aussi appelée « A- fold validation » en anglais) du modèle d’apprentissage automatique. [0086] Le modèle d’apprentissage automatique utilisé peut comprendre avantageusement un réseau de neurones artificiel. De préférence, ce réseau de neurones artificiels comprend une seule couche pour permettre une explicabilité simplifiée du ou des scores obtenus, i.e. déterminer une estimation de la contribution des différentes caractéristiques à l’obtention d’un score donné.
[0087] En variante, le modèle d’apprentissage automatique peut comprendre un arbre de décision (seul ou en forêt), ou un algorithme des k plus proches voisins. En variante encore, le modèle d’apprentissage automatique peut comprendre plusieurs de ces types de modèles, et le résultat de chacun des modèles peut être agrégé (par exemple en prenant la moyenne des résultats de chacun des modèles).
[0088] Dans un mode de réalisation avantageux, le modèle d’apprentissage automatique peut être un modèle d’apprentissage de la représentation en cluster sur des séries temporelles incomplètes (appelé « Clustering Representation Learning on Incomplete time-series » ou CRLI en anglais) ayant l’avantage de permettre la synchronisation des différentes signaux biométriques acquis, l’identification de biomarqueurs particuliers grâce aux regroupements des caractéristiques extraites ou calculées dans un espace latent structuré non temporel, mais pas de réduire la dimension temporelle.
[0089] Selon un autre mode de réalisation avantageux, le modèle d’apprentissage automatique peut être un modèle d’apprentissage contrastif masqué hiérarchique par cluster (appelé « Masked Hierarchical Cluster-Wise Contrastive Learning » ou MHCCL en anglais), ayant l’avantage de permettre l’identification de biomarqueurs particuliers grâce aux regroupements des caractéristiques extraites ou calculées dans un espace latent structuré non temporel et la réduction de la dimension temporelle mais pas de synchroniser les différents signaux biométriques acquis.
[0090] Selon d’autres modes de réalisation, le modèle d’apprentissage automatique peut également être un auto-encodeur variationnel (aussi appelé « Variational autoencoder » ou VAE en anglais) comprenant également la construction d’un réseau latent, ou bien un « Valence Aware Dictionary and sEntiment Reasoner » ou VADER en abrégé, qui est un lexique et un modèle simple basé sur des règles pour l'analyse des sentiments. [0091] Ainsi, le module de classification 133 reçoit en entrée la matrice de taille n x p comprenant les n caractéristiques extraites ou calculées et divisées en p intervalles, puis la transforme en un vecteur réduit via un espace latent qui permet de regrouper ou « clusteriser » les données d’apprentissage du modèle.
[0092] Comme indiqué, le modèle d’apprentissage automatique utilisé peut avoir été préalablement entraîné sur un ensemble de données recueillies avec des utilisateurs enfants ou adolescents. Par exemple, les données d’entraînement peuvent être recueillies en enregistrant les signaux biométriques temporels d’un utilisateur enfant ou adolescent lorsqu’il interagit avec un jeu, puis des caractéristiques sont extraites à partir de ces signaux, et un questionnaire réalisé par un spécialiste permet d’obtenir un ou plusieurs scores relatifs à un trouble du neurodéveloppement ou un trouble associé. Le modèle est ainsi entraîné sur la base des caractéristiques et des scores obtenus au questionnaire pour un ensemble d’utilisateurs. Une liste non exhaustive de questionnaires utilisables est donnée ci-après : “ADHD scale”, MADRS (“Montgomery-Asberg Depression Rating Scale”), SHAPS (“Smith Hamilton Pleasure Scale”), ADOS (“Autism Diagnostic Observation Schedule”), WISC (“Wechsler Intelligence Scale for Children”), CBCL (“Child Behavior Checklist”), SDQ, (“Strengths and Difficulties Questionnaire”), KSAD (“Kiddie Schedule for Affective Disorders and Schizophrenia”). Avantageusement, le choix du ou des questionnaires est réalisé en fonction du ou des symptômes relatifs à des troubles du neurodéveloppement ou de santé mentale associé étudiés. Ainsi, l’objectif est d’optimiser les paramètres du modèle d’apprentissage automatique afin qu’il puisse prédire de manière aussi exacte voire plus précise le score obtenu à partir de l’évaluation clinique classiquement réalisée à l’aide des différents questionnaires cités.
[0093] De plus, le modèle d’apprentissage automatique permet avantageusement d’identifier des biomarqueurs numériques spécifiques comme une composition de multiples caractéristiques extraites ou calculées des signaux biométriques acquis, tels que la jouabilité de l’utilisateur (incluant par exemple : tous les événements tactiles liés au jeu ou bien sa réactivité, ses mimiques faciaux, ses cris/sons émis et leurs particularités...), la pose de la tête de l’utilisation (i.e l’orientation de sa tête) ou l’estimation du regard de l’utilisateur (i.e. l’orientation de son regard) incluant la détection de saccades, de fixations, de clignements des yeux, de vérifier si l’utilisateur regarde l’écran, etc., ou bien certains points de repère sur son visage.
[0094] Dans un mode de réalisation avantageux, le modèle d’apprentissage automatique du module d’interface 110 et le modèle d’apprentissage automatique du module d’acquisition sont communs (i.e. que le système 100 comprend un seul modèle d’apprentissage automatique commun aux deux modules) et dans un mode de réalisation alternatif ces modèles d’apprentissage automatique sont différents.
[0095] Le module d’interface 110 peut comprendre en outre un affichage pour afficher le ou les scores obtenus.
[0096] Le système 100 peut également comprendre un module de comparaison 135 configuré pour comparer le ou les scores attribués à l’utilisateur avec une ou plusieurs valeurs de référence. Une telle comparaison permet ainsi de positionner les scores de l’utilisateur sur un diagramme pour identifier les différents symptômes relatifs aux troubles du neurodéveloppement ou de troubles de santé mentale associés, et améliorer l’aide au diagnostic de ces dits troubles, et estimer leur prévalence.
[0097] Le système 100 peut être avantageusement compris dans une tablette 200 (figure 2), munie d’un écran tactile 210, d’une caméra frontale 220 et d’un microphone 230. L’utilisateur 1 peut interagir avec la tablette 200 en utilisant un ou plusieurs doigts 202 lorsqu’il touche l’écran ou le fait glisser sur celui-ci. La tablette 200 peut enregistrer une vidéo du visage de l’utilisateur, incluant ses yeux ou son regard 2. La tablette 200 peut également enregistrer un signal audio à l’aide du microphone 230, contenant les bruits et paroles 3 émis par l’utilisateur. La tablette 200 peut également enregistrer un signal représentant les interactions entre un membre de l’utilisateur, par exemple sa main ou son doigt 4, et l’écran tactile 210. La tablette 200 peut ensuite traiter (i.e. extraire les caractéristiques et réaliser l’attribution de scores) les signaux enregistrés localement ou les envoyer à une unité distante qui se chargera de réaliser le traitement, pour ensuite présenter un rapport à un praticien qui pourra poser un diagnostic et apporter la réponse thérapeutique adéquate. Ainsi, le système 100 permet la combinaison des mesures cognitives, émotionnelles, comportementales et cérébrales, offrant un outil d’aide au diagnostic des troubles du neurodéveloppement et/ou des troubles de santé associés facile d’utilisation, complet et déployable à grande échelle.
[0098] Procédé
[0099] Un procédé mis en œuvre par ordinateur pour l’aide au diagnostic de troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent va à présent être décrit en lien avec l’ordinogramme de la figure 3.
[0100] Tout d’abord, le procédé comprend une étape El de présentation à l’utilisateur d’un programme interactif, de préférence un jeu.
[0101] Puis, le procédé comprend une étape E2 d’acquisition simultanée d’une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le programme interactif. Ces signaux peuvent être stockés dans une mémoire localement ou transmis à une mémoire distante, par exemple dans un serveur distant.
[0102] Ensuite, le procédé comprend une étape E3 d’extraction ou le calcul, pour chaque signal biométrique temporel, d’au moins une caractéristique pertinente pour l’évaluation d’un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent.
[0103] Le procédé comprend enfin une étape E4 durant laquelle on attribue, à l’aide des caractéristiques extraites ou calculées et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données annotées recueillies sur des utilisateurs enfants, un ou plusieurs scores relatifs à un ou plusieurs troubles du neurodéveloppement à l’utilisateur.
[0104] Ce ou ces scores peuvent enfin être comparés, dans une étape E5, à une ou plusieurs valeurs de référence, permettant de construire un réseau de symptômes propre à un utilisateur.
[0105] Exemple [0106] On présente un jeu à l’utilisateur sur une tablette qui permet de le stimuler, et on enregistre simultanément à partir d’une caméra frontale un signal vidéo. A partir de ce signal vidéo (séquence d’images) contenant le visage de l’utilisateur, un algorithme d’apprentissage automatique entraîné sur des visages d’enfants peut extraire un score sur plusieurs émotions, en particulier 7 émotions dont la « peur ». L’algorithme d’apprentissage automatique peut comparer la position de plusieurs marques sur le visage de l’utilisateur pour en déduire des scores de chaque émotion, par exemple en utilisant les Unités d’ Actions Faciales (« Facial Actions Units »). En sortie de cet algorithme, on obtient un vecteur (vecteur de caractéristiques) pour chaque image de la séquence d’images contenant un score pour chacune des émotions testées. Puis, un deuxième algorithme entraîné sur la base de signaux vidéo et de questionnaires relatifs au trouble de l’attention (« ADHD scale ») et au trouble du sommeil (« PSQI » Pittsbugh Sleep Quality Index), permet, à partir de l’ensemble de vecteurs généré, d’obtenir un score sur l’échelle « ADHD scale » ou sur l’échelle « PSQI ». Le deuxième algorithme peut être avantageusement un réseau de neurones récurrent (« RNN »).
[0107] La figure 4A montre la prédiction des scores relatifs au trouble de l’attention (« ADHD ») en fonction du score obtenu pour l’émotion « peur » sur 4 utilisateurs différents. Chaque point correspond au score calculé sur l’échelle ADHD pour une image de chaque séquence vidéo d’un utilisateur (chaque vidéo contient dans l’exemple 5000 images). On observe une bonne corrélation pour l’ensemble des quatre utilisateurs testés.
[0108] La figure 4B montre la prédiction des scores relatifs au trouble du sommeil (« PSQI ») en fonction du score obtenu pour l’émotion « peur » pour les mêmes 4 utilisateurs. On observe également une bonne corrélation pour l’ensemble des utilisateurs testés.

Claims

ZI REVENDICATIONS
1. Système (100) pour l’aide au diagnostic des troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant :
- un module d’interface (110) configuré pour présenter à l’utilisateur un programme interactif, de préférence le programme est un jeu,
- un module d’acquisition (120) configuré pour recevoir simultanément une pluralité de signaux biométriques temporels (121) résultant de l’interaction de l’utilisateur avec le module d’interface (110) lorsque l’utilisateur interagit avec ledit programme,
- un module d’ extraction (131) configuré pour extraire ou calculer à partir de chaque signal biométrique temporel, au moins une caractéristique pertinente pour l’évaluation d’au moins un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et
- un module de classification (133) configuré pour attribuer à l’utilisateur un ou plusieurs scores relatifs à un ou plusieurs symptômes relatifs à un ou plusieurs troubles du neurodéveloppement ou de la santé mentale associés, à partir des caractéristiques extraites ou calculées par le module d’extraction (131) et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données d’entrainement annotées recueillies sur des utilisateurs enfants ou adolescents ayant été annotées pour déterminer la présence ou absence d’au moins un symptôme relatifs à au moins un trouble du neurodéveloppement et/ou au moins un trouble de santé mentale associé, les données annotées comprenant au moins un degré de sévérité relatif auxdits symptômes des troubles diagnostiqués.
2. Système (100) selon la revendication 1, dans lequel les troubles du neurodéveloppement sont choisis parmi les suivants : troubles de l’attention avec ou sans hyperactivité, troubles de la communication, troubles spécifiques de l’apprentissage, et/ou troubles moteurs.
3. Système (100) selon l’une quelconque des revendications précédentes, dans lequel les troubles de santé mentale associés sont choisis parmi les suivants : dépression, anxiété, troubles du sommeil, troubles des interactions sociales, et/ou troubles de la dysrégulation émotionnelle.
4. Système (100) selon l’une quelconque des revendications précédentes, dans lequel la pluralité de signaux biométriques temporels (121) est choisie parmi : un signal vidéo comprenant le suivi des yeux ou du visage de l’utilisateur, un signal de position d’un membre de l’utilisateur, un signal audio, un électroencéphalogramme, et/ou un signal physiologique.
5. Système (100) selon l’une quelconque des revendications précédentes, dans lequel le module d’acquisition (120) comprend une caméra et est configuré pour recevoir un signal vidéo comprenant le suivi des yeux de l’utilisateur, et une caractéristique extraite du signal vidéo est choisie parmi les suivantes : projection du regard sur une surface, carte de chaleur de la projection du regard sur une surface, profil émotionnel de l’utilisateur, unités d’actions faciales, clignotement des yeux de l’utilisateur, accélération de la projection du regard de l’utilisateur, angle formé par le regard de l’utilisateur par rapport à la perpendiculaire à une surface, saccades dans la trajectoire du regard, le nombre de fixations du regard sur un item spécifique, le temps passé à regarder un item spécifique.
6. Système (100) selon l’une quelconque des revendications précédentes, dans lequel le module d’acquisition (120) comprend une surface tactile ou d’un dispositif d’acquisition spécifique et est configuré pour recevoir un signal de position d’au moins un doigt ou une main de l’utilisateur, et une caractéristique extraite du signal de position est choisie parmi : trajectoire du doigt ou de la main, vitesse du doigt ou de la main, accélération du doigt ou de la main, pression du doigt ou de la main, carte de chaleur de la position du doigt ou de la main, nombre de touchers de l’écran par l’utilisateur.
7. Système (100) selon l’une quelconque des revendications précédentes, dans lequel le module d’acquisition (120) comprend un microphone et est configuré pour recevoir un signal audio, et dans lequel le module d’extraction est configuré pour extraire une caractéristique extraite du signal audio est choisie parmi : une transcription du discours de l’utilisateur, les variations de la fréquence de la voix de l’utilisateur, les caractéristiques acoustiques du signal de parole tels que : jitter, shimmer, trémor, rapport harmonique-bruit, rapport de perturbation de fréquence, rapport de perturbation d’amplitude, pente de pics, moyenne de la 1ère harmonique (Fl), moyenne de la 2nde harmonique (F2), variabilité de Fl, variabilité de F2, portée de Fl, espace vocalique, coefficients de codage linéaire prédictif, coefficients cepstraux de fréquence-Mel (MFCC), moyenne de la fréquence fondamentale (FO), variabilité de FO, portée de FO, moyenne de l’intensité, variabilité de l’intensité, variance de l’énergie, vélocité de l’énergie, temps maximum de phonation, débit vocal, débit articulatoire, durée moyenne d’ énoncé, durée de pause moyenne, débit de pause, total de pauses.
8. Système (100) selon l’une quelconque des revendications précédentes, dans lequel le module d’acquisition (120) comprend au moins l'un parmi : un capteur pour mesurer un signal physiologique, un écran tactile, une souris, un microphone, une caméra, un clavier, un accéléromètre, un gyroscope.
9. Système (100) selon l’une quelconque des revendications précédentes, étant compris dans une tablette (200) équipée d’un écran tactile (210), d’une caméra (220), et d’un microphone (230).
10. Système (100) selon l’une quelconque des revendications précédentes, dans lequel le module d’extraction (131) fait intervenir au moins un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de signaux annotés recueillis sur des utilisateurs enfants ou adolescents.
11. Système selon l’une quelconque des revendications précédentes, dans lequel le modèle d’apprentissage automatique du module de classification (133) comprend au moins un réseau de neurones artificiels.
12. Système selon la revendication précédente, dans lequel le réseau de neurones artificiels comprend une seule couche.
13. Système selon l’une quelconque des revendications précédentes, comprenant un module de comparaison (135), configuré pour comparer le ou les scores attribués à l’utilisateur avec une ou plusieurs valeurs de référence.
14. Système selon l’une quelconque des revendications précédentes, dans lequel le module d’interface (110) comprend un affichage pour afficher le ou les scores obtenus à l’utilisateur ou un praticien habilité.
15. Procédé mis en œuvre par ordinateur, pour l’aide au diagnostic de troubles du neurodéveloppement et/ou de troubles de santé mentale associés chez un utilisateur enfant ou adolescent, comprenant au moins les étapes suivantes : la présentation (El) à l’utilisateur d’un programme interactif, de préférence un jeu, l’acquisition simultanée (E2) d’une pluralité de signaux biométriques temporels résultant de l’interaction de l’utilisateur avec le programme interactif, l’extraction ou le calcul (E3), pour chaque signal biométrique temporel, d’au moins une caractéristique pertinente pour l’évaluation d’un symptôme relatif à un trouble du neurodéveloppement ou de santé mentale associé chez l’enfant ou l’adolescent, et l’attribution (E4) à l’utilisateur d’un ou plusieurs scores relatifs à un ou plusieurs symptômes relatifs à un ou plusieurs troubles du neurodéveloppement ou de la santé mentale associés définissant un réseau de symptômes de l’utilisateur, à l’aide des caractéristiques extraites ou calculées et d’un modèle d’apprentissage automatique préalablement entraîné sur un ensemble de données d’entraînement annotées recueillies sur des utilisateurs enfants ayant été annotées pour déterminer la présence ou l’absence d’au moins un symptôme relatif à au moins un trouble du neurodéveloppement et/ou au moins un trouble de santé mentale associé, les données annotées comprenant au moins un degré de sévérité relatif auxdits symptômes relatifs aux troubles diagnostiqués.
PCT/EP2024/050168 2023-01-04 2024-01-04 Systeme d'aide au diagnostic de troubles du neurodeveloppement et de sante mentale associes chez un utilisateur enfant ou adolescent WO2024146928A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
EP23305008 2023-01-04
EP23305008.7 2023-01-04

Publications (1)

Publication Number Publication Date
WO2024146928A1 true WO2024146928A1 (fr) 2024-07-11

Family

ID=85132885

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/050168 WO2024146928A1 (fr) 2023-01-04 2024-01-04 Systeme d'aide au diagnostic de troubles du neurodeveloppement et de sante mentale associes chez un utilisateur enfant ou adolescent

Country Status (1)

Country Link
WO (1) WO2024146928A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140330159A1 (en) * 2011-09-26 2014-11-06 Beth Israel Deaconess Medical Center, Inc. Quantitative methods and systems for neurological assessment
US20160042648A1 (en) * 2014-08-07 2016-02-11 Ravikanth V. Kothuri Emotion feedback based training and personalization system for aiding user performance in interactive presentations
WO2017222997A1 (fr) * 2016-06-20 2017-12-28 Magic Leap, Inc. Système d'affichage en réalité augmentée pour l'évaluation et la modification de troubles neurologiques, notamment des troubles du traitement de l'information visuelle et des troubles de la perception visuelle
EP3841967A1 (fr) * 2015-01-06 2021-06-30 David Burton Systèmes de surveillance pouvant être mobiles et portés
US20220369976A1 (en) * 2019-09-06 2022-11-24 Cognoa, Inc. Methods, systems, and devices for the diagnosis of behavioral disorders, developmental delays, and neurologic impairments

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140330159A1 (en) * 2011-09-26 2014-11-06 Beth Israel Deaconess Medical Center, Inc. Quantitative methods and systems for neurological assessment
US20160042648A1 (en) * 2014-08-07 2016-02-11 Ravikanth V. Kothuri Emotion feedback based training and personalization system for aiding user performance in interactive presentations
EP3841967A1 (fr) * 2015-01-06 2021-06-30 David Burton Systèmes de surveillance pouvant être mobiles et portés
WO2017222997A1 (fr) * 2016-06-20 2017-12-28 Magic Leap, Inc. Système d'affichage en réalité augmentée pour l'évaluation et la modification de troubles neurologiques, notamment des troubles du traitement de l'information visuelle et des troubles de la perception visuelle
US20220369976A1 (en) * 2019-09-06 2022-11-24 Cognoa, Inc. Methods, systems, and devices for the diagnosis of behavioral disorders, developmental delays, and neurologic impairments

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ANONYMOUS: "Cepstrum", WIKIPEDIA, 16 September 2020 (2020-09-16), XP055875452, Retrieved from the Internet <URL:https://en.wikipedia.org/w/index.php?title=Cepstrum&oldid=978651866> [retrieved on 20211222] *
TAUTAN ALEXANDRA-MARIA ET AL: "Artificial intelligence in neurodegenerative diseases: A review of available tools with a focus on machine learning techniques", ARTIFICIAL INTELLIGENCE IN MEDICINE, ELSEVIER, NL, vol. 117, 30 April 2021 (2021-04-30), XP086618608, ISSN: 0933-3657, [retrieved on 20210430], DOI: 10.1016/J.ARTMED.2021.102081 *

Similar Documents

Publication Publication Date Title
EP3701529B1 (fr) Système et procédé d&#39;évaluation de l&#39;état physiologique
Li et al. Applications of artificial intelligence to aid early detection of dementia: a scoping review on current capabilities and future directions
US11164596B2 (en) Sensor assisted evaluation of health and rehabilitation
WO2020013302A1 (fr) Système d&#39;estimation de trouble mental/trouble du système nerveux, programme d&#39;estimation et procédé d&#39;estimation
Sainson et al. Communication disorders and executive function impairment after severe traumatic brain injury: an exploratory study using the GALI (a grid for linguistic analysis of free conversational interchange)
US20230052100A1 (en) Systems And Methods For Optical Evaluation Of Pupillary Psychosensory Responses
US20240180482A1 (en) Systems and methods for digital speech-based evaluation of cognitive function
EP4139933A1 (fr) Procédé et système d&#39;estimation de la progression précoce de la démence à partir d&#39;images de la tête d&#39;un sujet
Wolf et al. Eye-tracking paradigms for the assessment of mild cognitive impairment: a systematic review
Dogan et al. Multi-modal fusion learning through biosignal, audio, and visual content for detection of mental stress
Wisler et al. Speech-based estimation of bulbar regression in amyotrophic lateral sclerosis
WO2020183460A1 (fr) Système et procédé de criblage de conditions de troubles du développement
Shanthi et al. An integrated approach for mental health assessment using emotion analysis and scales
Migliorelli et al. A store-and-forward cloud-based telemonitoring system for automatic assessing dysarthria evolution in neurological diseases from video-recording analysis
WO2024146928A1 (fr) Systeme d&#39;aide au diagnostic de troubles du neurodeveloppement et de sante mentale associes chez un utilisateur enfant ou adolescent
Pan et al. Exploring the ability of vocal biomarkers in distinguishing depression from bipolar disorder, schizophrenia, and healthy controls
Narain et al. Modeling real-world affective and communicative nonverbal vocalizations from minimally speaking individuals
Kohlberg et al. Development of a low-cost, noninvasive, portable visual speech recognition program
Hailpern et al. A3: Hci coding guideline for research using video annotation to assess behavior of nonverbal subjects with computer-based intervention
Wisler et al. The effects of symptom onset location on automatic amyotrophic lateral sclerosis detection using the correlation structure of articulatory movements
Suting et al. Analysis of real-world language use in a person with Wernicke's Aphasia
Kugapriya et al. UNWIND–A Mobile Application that Provides Emotional Support for Working Women
Gandhi et al. Detection of Parkinsons disease via a multi-modal approach
Paruchuri ParkinSense: A Novel Approach to Remote Idiopathic Parkinson’s Disease Diagnosis, Severity Profiling, and Telemonitoring via Ensemble Learning and Multimodal Data Fusion on Webcam-Derived Digital Biomarkers
Chheda et al. Analysis of Autism and its Characteristics

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: 24700681

Country of ref document: EP

Kind code of ref document: A1