Cette première partie des travaux, qui se concentre sur des signaux relatifs au fonctionnement « interne » de la personne, a montré que les contributions qui sont présentées ici pour la mesure permettent de faire progresser les connaissances en traitement du signal sur ces domaines et améliorer l’interprétation des signaux. Pour ce qui est de la mesure d’indice à partir de données de plateformes de force, des méthodes non-linéaires basées principalement sur la notion d’entropie et sur son interprétation ont été décrites. Pour les données issues des centrales inertielles des smartphones, ce sont des algorithmes de reconstruction des données qui ont été proposés, avant de se pencher sur les modalités de retours sensoriels et l’extraction de scores à faire afin de pouvoir faire un retour au patient et à l’équipe médicale.
Les contributions principales de ce chapitre sont les suivantes :
— Des contributions méthodologiques en traitement du signal permettant de mieux connaître la personne au travers de mesures plus ou moins simples (notamment basées sur l’entropie), avec des applications futures prévues dans le domaine de la prédiction de risques ou d’effets de maladies chroniques.
— La proposition de systèmes basés sur le smartphone et permettant de mesurer, de manière intégrée, simple, et en toute autonomie pour la personne, diverses variables relatives à la réalisation d’exercices plus ou moins simples liés à la posture ou au mouvements de membres (proprioception). Ces systèmes permettent également la déli- vrance d’informations à la personne par l’intérimaire de retours sensoriels afin de permettre des entrainements et une amélioration de la condition ou de la rééducation de la personne.
Ces travaux doivent être poursuivis afin de préciser plus finement l’interprétation des variables, de leurs évolutions et leur relation avec un état général de la personne. Une thèse est en cours sur l’acquisition des données smartphone sur un très long terme afin d’en déduire des informations sur le bien-être de la personne. Pour l’instant les résultats se concentrent tout d’abord sur une interprétation du signal en terme de posture et de mouvements quelque soit la position du téléphone.
Il est à noter aussi que les travaux proposés sur smartphone s’inscrivent dans un domaine très porteur actuellement pour l’industrie et les services et pourraient donner lieu à des transferts technologiques notamment par l’intermédiaire de la SATT (suite aux deux brevets déposés). L’amélioration continue d’une preuve de concept est faite pour permettre ce transfert à plus ou moins long terme.
Suite à cette présentation, nous allons maintenant explorer des travaux qui, cette fois, sortent des automatismes de la personne pour aller tout d’abord vers la reconnaissance de la personne et le suivi de ses actions.
2.2 Objectifs de ces travaux et verrous scientifiques à lever . . . . 8
2.3 État de l’art sur la mesure de données physiologiques et de données inertielles . . . . 8
2.3.1 Les données cardio-respiratoires . . . 8 2.3.2 Les données de posture et de marche . . . 9
2.4 Analyse des signaux posturaux avec l’entropie d’échantillon . . . 12
2.4.1 L’entropie d’échantillon . . . 12 2.4.2 Application au contrôle postural . . . 13
2.5 Analyse non linéaire des signaux par décomposition : modification de l’entropie spectrale pour la construction d’un indice local de complexité . . . 17
2.5.1 L’entropie spectrale (Wavelet Entropy) . . . 17 2.5.2 La transformée par synchrosqueezing . . . 18 2.5.3 Calcul de l’entropie spectrale modifiée W ESQT . . . 18 2.5.4 Tests sur des signaux posturaux et protocole . . . 18 2.5.5 Résultats et discussion . . . 19
2.6 Les signaux du smartphone : vers l’application iProprio . . . 20
2.6.1 Test de la validité de ces mesures . . . 21 2.6.2 iBalance . . . 26 2.6.3 iProprio . . . 29 2.6.4 Demande attentionnelle . . . 32
2.7 Conclusion . . . 34
3.1 Introduction et verrous scientifiques à lever
De nos jours, les villes, les transports en commun, les lieux publics et de nombreux lieux privés sont équipés de systèmes de vidéo-protection (ou vidéo-surveillance). Elle est devenue l’une des solutions les plus considérées (voire la plus) lorsqu’il s’agit de parler de notre sécurité. Cependant, dans un contexte d’une telle utilisation, il est compliqué de scruter les images à tout instant et par conséquent, des thématiques de recherches se sont développées ces dernières années pour tenter d’automatiser ces traitements et de détecter des situations anormales dans ces séquences. La ré-identification de personnes, de leurs actions et leur suivi dans des réseaux de caméras est alors devenu un fonctionnalité d’intérêt pour de tels systèmes (TR U O N G CO N G, KH O U D O U R, AC H A R D, ME U R I Eet al.,2010;
NI L S S O Net al.,2016; XUet al.,2016).
Un second domaine de recherche d’intêret lié au traitement vidéos est la reconnaissance de gestes ou d’actions (J. K. AG G A R W A Let al.,2014; CH A N Get al.,2011; CL A R Ket al.,2012; XI A, C.-C. CH E Net J. AG G A R W A L,2012). Ces recherches permettent d’avoir diverses applications telles que la sécurité (avec la possible détection de situations
critique sur des flux vidéos), la santé (avec l’analyse de situations de dangers pour une personne surveillée à domicile comme la chute) ou encore l’interaction homme-robot, en analysant le comportement et les gestes de la personne pour entrer en interaction avec elle ou pour proposer des services.
Les travaux décris dans ce chapitre abordent l’extraction d’informations, le traitement du signal et la classification, qu’elle soit en ligne ou hors-ligne. L’objectif de ces travaux est d’améliorer les connaissances en termes de reconnais- sances des humains et de leurs actions.
Les verrous scientifiques visés par ces travaux sont les suivants :
1. Comment peut-on utiliser au mieux les données présentes et les attributs extraits pour construire des modèles les plus performants possibles et qui généralisent au mieux la forme ou la modalité que nous recherchons. 2. Comment créer au mieux des algorithmes de classification afin qu’ils soient les plus efficaces possible pour
modéliser des distributions non stationnaires (et donc avoir des classifieurs évolutifs).
3. Comment traiter efficacement et en ligne des quantités de données importantes pour obtenir une décision rapide et peu coûteuse en bande passante et en temps de traitement.
Deux domaines de recherche vont être investigués dans ce chapitre, avec une première section décrivant les travaux sur l’identification et la ré-identification de personnes dans des réseaux de caméras (section 3.2) et la reconnaissance de gestes et d’actions avec une caméra RGB-D incluant une analyse en ligne et une reconnaissance précoce (section 3.3). Avant cela, une présentation des objectifs et des verrous scientifiques de ces travaux va être faite.