FR3077409A1 - BREAKING DETECTION OF THE LIVING HABITS OF A PERSON REQUIRING MONITORING - Google Patents
BREAKING DETECTION OF THE LIVING HABITS OF A PERSON REQUIRING MONITORING Download PDFInfo
- Publication number
- FR3077409A1 FR3077409A1 FR1870090A FR1870090A FR3077409A1 FR 3077409 A1 FR3077409 A1 FR 3077409A1 FR 1870090 A FR1870090 A FR 1870090A FR 1870090 A FR1870090 A FR 1870090A FR 3077409 A1 FR3077409 A1 FR 3077409A1
- Authority
- FR
- France
- Prior art keywords
- time slot
- monitoring method
- database
- result
- person
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims description 14
- 230000001186 cumulative effect Effects 0.000 claims abstract description 23
- 230000033001 locomotion Effects 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000001960 triggered effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims 1
- 230000002159 abnormal effect Effects 0.000 description 17
- 230000007246 mechanism Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 230000035945 sensitivity Effects 0.000 description 3
- 230000005653 Brownian motion process Effects 0.000 description 2
- 208000003443 Unconsciousness Diseases 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 206010037211 Psychomotor hyperactivity Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000013707 sensory perception of sound Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 230000036642 wellbeing Effects 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/0423—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting deviation from an expected pattern of behaviour or schedule
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Emergency Management (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Engineering & Computer Science (AREA)
- Psychiatry (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
La présente invention concerne un système de détection de rupture des habitudes de vie de personnes ayant besoin de surveillance. Le procédé consiste à compter les détections de présence par pièce de vie et par tranche horaire; à stocker ces informations dans une base de données de détections de présence (1), à créer par auto-apprentissage un schéma de normalité des habitudes de vie (2) sur la base des moyennes de détections de mouvement des jours précédents, à stocker ces informations dans la base de données de moyennes des présences (3), à appliquer le calcul de la loi normale cumulée pour la tranche horaire terminée utilisant en paramètres d'entrée le nombre de détections de présence, la moyennes de détections de présence, un écart type, et à comparer le résultat à des seuils supérieurs et inférieurs pour établir s'il y a rupture des habitudes de vie nécessitant le déclenchement d'alerte ou d'avertissement.The present invention relates to a system for detecting the disruption of the lifestyle of people in need of supervision. The method consists of counting presence detections by living room and by time slot; storing this information in a presence detection database (1), to be created by self-learning a normal life habits pattern (2) on the basis of the motion detection averages of the previous days, to store these information in the attendance averages database (3), to apply the calculation of the cumulative normal law for the completed time slot using as input parameters the number of presence detections, the means of presence detections, a difference type, and compare the result to upper and lower thresholds to establish whether there is a break in lifestyle habits requiring the triggering of an alert or warning.
Description
L'utilisation de l'algorithme mathématique de la loi normale cumulée permet la comparaison des données de la période terminée (une heure par exemple) avec les données moyennes pour cette période horaire, avec comme troisième paramètre l'écart type dont la valeur agit comme un amplificateur / atténuateur du résultat obtenu. Le résultat de l'algorithme est une valeur comprise entre 0% et 100%. Les valeurs élevées comme par ex. supérieures à 95% indiquent une suractivité, alors que les valeurs basses, inférieures à 10% par ex. indiquent une sous-activité de la personne surveillée. Cette analyse est effectuée pour chaque capteur de mouvement à chaque heure.The use of the mathematical algorithm of the cumulative normal law allows the comparison of the data of the ended period (one hour for example) with the average data for this hourly period, with as third parameter the standard deviation whose value acts as an amplifier / attenuator of the result obtained. The result of the algorithm is a value between 0% and 100%. High values like e.g. greater than 95% indicates overactivity, while low values, less than 10% e.g. indicate an under-activity of the monitored person. This analysis is performed for each motion sensor at each hour.
Le système de gestion des avertissements et alertes analyse, pour la période horaire qui vient de terminer, pour chaque capteur de mouvement, les résultats de la loi normale cumulée. Un comptage du nombre de valeurs inférieures au seuil minimum (ex. 10%) ainsi que le nombre de valeurs supérieures au seuil maximum (ex. 95%) est effectué. Si le total du nombre de valeur supérieures au seuil maximum et inférieures au seuil minimum est de « 1 », alors une notification d'avertissement est émise aux AIDANTS. Si ce nombre est supérieur ou égal à « 2 », alors une notification d'alerte est émise aux AIDANTS.The warning and alert management system analyzes, for the hourly period which has just ended, for each motion sensor, the results of the cumulative normal distribution. The number of values below the minimum threshold (eg 10%) and the number of values above the maximum threshold (eg 95%) are counted. If the total of the number of values above the maximum threshold and below the minimum threshold is "1", then a warning notification is sent to the HELPERS. If this number is greater than or equal to "2", then an alert notification is sent to the CAREGIVERS.
Solution matérielleHardware solution
En référence à la figure 1 - description matérielle, La solution matérielle comprend des capteurs de mouvement (6) dont les informations sont transmises via le protocole radio RF433MHz à un boîtier d'interface RF433 - Bluetooth (7), ce boîtier est relié à une tablette tactile au domicile de la personne surveillée (8), cette tablette transmet via internet les informations des capteurs de mouvements dans la base de données des détections de présence localisée dans un centre d'hébergement (9). La liaison entre la tablette et Internet est faite soit via du WIFI, ou bien via une liaison de données sur un opérateur de téléphonie mobile (avec une carte SIM dans la tablette). Le traitement de ces données par l'algorithme de détection de rupture des habitudes de vie permet l'envoi d'avertissements, d'alertes ainsi que la visualisation de l'activité de la personne AIDÉE via un portail client pour la personne AIDANTe.Referring to Figure 1 - hardware description, The hardware solution includes motion sensors (6) whose information is transmitted via the RF433MHz radio protocol to an RF433 - Bluetooth interface box (7), this box is connected to a touch pad at the home of the person being monitored (8), this pad transmits information from the movement sensors via the internet to the database of presence detections located in a shelter (9). The connection between the tablet and the Internet is made either via WIFI, or via a data link on a mobile operator (with a SIM card in the tablet). The processing of this data by the algorithm for detecting a break in lifestyle allows the sending of warnings, alerts as well as the visualization of the activity of the HELPED person via a customer portal for the HELPING person.
ContexteContext
Cette invention permet le développement d'une solution de communication, de surveillance et de bienveillance des personnes âgées (personne AIDÉE) habitant à domicile.This invention allows the development of a communication, monitoring and caring solution for the elderly (HELPED person) living at home.
La présente invention a pour objet la détection de rupture des habitudes de vie d'une personne sous surveillance, permettant de déclencher un mécanisme d'alerte aux AIDANTS, dans des cas comme par exemple une chute, une perte de conscience de la personne surveillée (AIDÉE) ou tout événement engendrant une sous-activité ou une suractivité au domicile de la personne AIDÉE.The subject of the present invention is the detection of a break in the lifestyle of a person under surveillance, making it possible to trigger a mechanism for alerting CAREGIVERS, in cases such as, for example, a fall or loss of consciousness of the person being monitored ( HELPED) or any event leading to under-activity or over-activity in the home of the HELPED person.
La majorité des personnes âgées habitant à domicile sont aidées par un membre de leur famille. La surveillance peut devenir un fardeau pour les AIDANTS en raison de la nécessité de visiter souvent de manière quotidienne le domicile de la personne âgée (AIDÉE). Lorsque cette surveillance devient trop contraignante pour les AIDANTS, une décision de déménagement dans un centre spécialisé est souvent la seule solution.The majority of elderly people living at home are helped by a family member. Supervision can become a burden for CAREGIVERS due to the need to visit the home of the elderly person (DAILY) often on a daily basis. When this monitoring becomes too restrictive for CAREGIVERS, a decision to move to a specialized center is often the only solution.
Cette invention permet de prolonger le maintien à son domicile d'une personne âgée, conséquence de la détection de rupture des habitudes de vie qui correspond à une surveillance active à tout moment de la personne AIDÉE. Ainsi, les AIDANTS sont prévenus dans un délai d'une heure en cas où la personne AIDÉE rencontre une situation qui modifie ses habitudes de vie. De plus, l'AIDANT(e) peut consulter le résumé des activités du jour sur son portail client, à fin d'être encore plus rassuré(e).This invention makes it possible to extend the maintenance at home of an elderly person, a consequence of the detection of a break in lifestyle which corresponds to active monitoring at all times of the HELPED person. CAREGIVERS are thus informed within one hour in case the HELPED person encounters a situation which changes their lifestyle. In addition, the ASSISTANT can consult the summary of the day's activities on their customer portal, in order to be even more reassured.
La solution déployée ne nécessite aucune interaction de la part de la personne AIDÉE avec les matériels tels que tablette, boîtier d'interface RF433-Bluetooth, capteurs de mouvement. Cette solution est adaptée malgré d'éventuels déficits visuels, auditifs ou cognitifs comme Alzheimer.The deployed solution does not require any interaction on the part of the HELPED person with equipment such as a tablet, RF433-Bluetooth interface box, motion sensors. This solution is suitable despite possible visual, hearing or cognitive deficits such as Alzheimer's.
État de l'art actuelState of the art
Il existe de nombreuses solutions d'assistance pour personnes âgées sur le marché. Ces solutions sont basées sur une action qui déclenche un mécanisme d'alerte. Les actions de déclenchement sont par exemple l'appui sur un bouton SOS porté sur un bracelet ou sur un collier. Certains de ces bracelets ont une capacité de détection de chute, permettant d'affiner le mécanisme d'alerte.There are many assistance solutions for the elderly on the market. These solutions are based on an action that triggers an alert mechanism. Trigger actions are, for example, pressing an SOS button worn on a bracelet or a necklace. Some of these bracelets have a fall detection capacity, allowing to refine the alert mechanism.
Ces mécanismes sont adaptés à la surveillance de personnes qui ont un niveau de compétences cognitives suffisant, et qui ont une aptitude physique à déclencher une alerte de manière volontaire comme par exemple en appuyant sur le bouton d'un dispositif fixé au poignet ou au cou.These mechanisms are suitable for monitoring people who have a sufficient level of cognitive skills, and who have a physical ability to trigger an alert voluntarily, for example by pressing the button of a device attached to the wrist or neck.
Ces mécanismes sont inadaptés en cas de perte de conscience, en cas de blessure qui peuvent entraver la capacité de la personne âgée à déclencher le dispositif, ou en cas de limitations cognitives comme par exemple chez les millions de patients atteints d'Alzheimer qui rendent trop complexe l'utilisation d'un dispositif.These mechanisms are unsuitable in the event of loss of consciousness, in the event of an injury which may hamper the ability of the elderly person to activate the device, or in the event of cognitive limitations such as for example in the millions of Alzheimer's patients who make too much complex the use of a device.
Éléments constituants de la solutionConstituent elements of the solution
La détection de rupture des habitudes de vie est fondée surThe detection of lifestyle breaks is based on
1. Le déploiement chez la personne AIDÉE de capteurs de présence dans les pièces de vie principales (par exemple cuisine, séjour, chambre).1. The deployment in the HELPED person of presence sensors in the main living rooms (for example kitchen, living room, bedroom).
2. L'accumulation en base de données des détections de présence de tous les événements des capteurs de présence2. The accumulation in the database of presence detections of all the events of the presence sensors
3. La création et la mise à jour par auto-apprentissage d'un schéma de normalité des habitudes de vie de la personne AIDÉE sur la base de l'analyse et du traitement algorithmique des événements capturés en base de données.3. The creation and updating by self-learning of a pattern of normality in the life habits of the HELPED person on the basis of the analysis and algorithmic processing of the events captured in the database.
4. L'application d'un traitement mathématique « LOI NORMALE, CUMULÉE » avec comme valeurs d'entrée4. The application of a mathematical treatment "NORMAL LAW, CUMULATIVE" with as input values
a. La valeur à évaluer, correspondant à la mesure du nombre de présences de la dernière période (par ex. 1 heure), paramètre « x »at. The value to be evaluated, corresponding to the measurement of the number of presences in the last period (eg 1 hour), parameter "x"
b. La valeur moyenne attendue pour cette période horaire, extraite de la base de données des moyennes de présence, paramètre « μ »b. The expected average value for this hourly period, extracted from the presence averages database, parameter "μ"
c. Une valeur d'écart type, paramètre σvs. A standard deviation value, parameter σ
Et dont le résultat compris entre 0% et 100% détermine la probabilité que les événements de la période mesurée soient conformes aux attentes des habitudes de vie. Sur la base de tests effectués en milieu réel, les valeurs considérées comme normales sont comprises entre 10% et 95%.And whose result between 0% and 100% determines the probability that the events of the period measured comply with expectations of lifestyle. On the basis of tests carried out in a real environment, the values considered to be normal are between 10% and 95%.
5. Un algorithme de décision d'émission d'avertissement ou d'alerte des AIDANTS, selon le nombre de valeurs de sortie de l'algorithme qui seront en dessous du seuil inférieur (par ex. 10%) et audelà du seuil supérieur (par ex. 95%). Une seule valeur dans ces zones d'exceptions déclenche un avertissement, deux valeurs ou plus déclenchent une alerte. Ces messages sont transmis à l'AIDANT via messages transmis sur le réseau téléphonique (comme par ex. des SMS).5. A decision-making algorithm for warning or alerting CAREGIVERS, depending on the number of output values from the algorithm which will be below the lower threshold (eg 10%) and beyond the upper threshold ( e.g. 95%). A single value in these exception fields triggers a warning, two or more values triggers an alert. These messages are transmitted to the ASSISTANT via messages transmitted over the telephone network (such as, for example, SMS).
Schéma de principeSchematic diagram
7.1 Environnement matériel7.1 Hardware environment
Voir Figure 1 - Environnement matérielSee Figure 1 - Hardware environment
7.2 Environnement logiciel7.2 Software environment
Voir Figure 2 - Environnement logicielSee Figure 2 - Software environment
7.3 Capteurs de mouvement, base de données des détections de présence7.3 Motion sensors, presence detection database
Des capteurs de mouvements sont disposés dans chaque pièce de vie ou zone de passage de la personne AIDÉE, et transmettent chaque détection de passage via une liaison radio couplée à une connexion internet ensuite sauvegardée en base de données sur un serveur chez un hébergeur de service internet.Motion sensors are placed in each living room or passage area of the HELPED person, and transmit each passage detection via a radio link coupled to an internet connection then saved in the database on a server at an internet service host .
Chaque capteur est associé à une pièce de la maison (par ex. cuisine, séjour, chambre, couloir) et les détections de mouvement sont indexées par pièce dans la base de données des détections de présence.Each sensor is associated with a room in the house (e.g. kitchen, living room, bedroom, hallway) and the motion detections are indexed by room in the presence detection database.
Les éléments sont stockés par tranche horaire de 1 heure.Items are stored in 1 hour time slots.
Exemple de la base de données des détections de présenceExample of the presence detection database
7.4 L'auto apprentissage des habitudes de vie, base de données des moyennes de présence7.4 Self-learning of lifestyle habits, presence averages database
Un mécanisme d'analyse des habitudes de vie basé sur la base de données des détections de présence permet la création d'un schéma de normalité, en calculant la moyenne du nombre de présence par tranche horaire, pour chaque zone surveillée.A mechanism for analyzing lifestyle habits based on the presence detection database allows the creation of a normality diagram, by calculating the average number of presence per time slot, for each monitored area.
Un nouveau calcul de cette moyenne est effectué à chaque jour sur la base des 7 derniers jours, permettant un auto-apprentissage évolutif des habitudes de vie de la personne AIDÉE.A new calculation of this average is carried out each day on the basis of the last 7 days, allowing an evolutionary self-learning of the lifestyle habits of the HELPED person.
Ces informations sont stockées dans la base de données des moyennes de présence.This information is stored in the presence averages database.
Exemple de la base de données des moyennes de présenceExample of the presence averages database
7.5 Détection de rupture des habitudes de vie7.5 Detection of break in lifestyle
Pour chaque capteur de présence, un calcul est effectué afin de comparer les détections de présence de la dernière tranche horaire avec la moyenne des détections de présence pour ce même créneau horaire. Le calcul est effectué avec la Loi normale cumulée afin de déterminer si la valeur mesurée est dans la norme ou en dehors de cette dernière. Cet ensemble de calcul est détaillé au chapitre suivant.For each presence sensor, a calculation is made in order to compare the presence detections of the last time slot with the average of the presence detections for this same time slot. The calculation is carried out with the cumulative normal law in order to determine whether the measured value is within or outside the standard. This set of calculations is detailed in the next chapter.
Utilisation de la « LOI NORMALE » pour le calcul des situations de rupture des habitudes de vieUse of the "NORMAL LAW" for the calculation of the situations of disruption of life habits
Le principe de la « LOI NORMALE »The principle of "NORMAL LAW"
Rappel :Reminder :
En théorie des probabilités et en statistique, la loi normale est l'une des lois de probabilité les plus adaptées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elle est en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elle est également appelée loi gaussienne, loi de Gauss ou loi de LaplaceGauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.In probability theory and statistics, the normal law is one of the most suitable probability laws for modeling natural phenomena arising from several random events. It is linked to many mathematical objects including Brownian motion, white Gaussian noise or other laws of probability. It is also called Gaussian law, Gauss law or LaplaceGauss law from the names of Laplace (1749-1827) and Gauss (1777-1855), two mathematicians, astronomers and physicists who studied it.
Plus formellement, c'est une loi de probabilité absolument continue qui dépend de deux paramètres : son espérance, un nombre réel noté μ, et son écart type, un nombre réel positif noté o.More formally, it is an absolutely continuous probability law which depends on two parameters: its expectation, a real number denoted by μ, and its standard deviation, a positive real number denoted by o.
La LOI NORMALE se décline en deux versions, une première qui se trouve ci-dessous, et dont le résultat est une courbe gaussienne, et la seconde qui est retenue dans cette demande de brevet, qui correspond à l'intégrale de l'équation ci-dessous, entre -infini et X, appellée LOI NORMALE CUMULÉENORMAL LAW is available in two versions, the first which is found below, and the result of which is a Gaussian curve, and the second which is used in this patent application, which corresponds to the integral of the equation ci below, between -infinity and X, called CUMULATIVE NORMAL LAW
Équation de la LOI NORMALE /(χ-μ)2λNORMAL LAW equation / (χ-μ) 2 λ
Λχ· »*-σ)= 7S e * ’Λ χ · ”* - σ) = 7S e * '
Voir Courbe gaussienne de la Loi Normale en Figure 3See Gaussian Curve of the Normal Law in Figure 3
La Loi Normale Cumulée est représentée par l'équation suivante :The Cumulative Normal Law is represented by the following equation:
/(χ-μ)2\ /(x, μ, σ) = -== e \ 2σ* ) ν2πσ — OO/ (χ-μ) 2 \ / (x, μ, σ) = - == e \ 2σ *) ν2πσ - OO
Voir Courbe de la Loi Normale Cumulée en Figure 4See Curve of the Cumulative Normal Law in Figure 4
8.1 LOI NORMALE CUMULÉE pour déterminer la rupture des habitudes de vie8.1 CUMULATIVE NORMAL LAW to determine the break in lifestyle
Voir Figure 5 - Exemple de distribution de la Loi Normale CumuléeSee Figure 5 - Example of distribution of the Cumulative Normal Law
Utilisation des variables de la Loi Normale Cumulée • x correspond à la valeur mesurée pour la période en cours, extraite de la base de données des détections de présence.Use of the variables of the Cumulative Normal Law • x corresponds to the value measured for the current period, extracted from the presence detection database.
• μ correspond à la valeur moyenne des jours précédents pour ce même créneau horaire, extrait de la base de données des moyennes de présence • σ correspond à l'écart type, (défini à la valeur de 5 dans les exemples fournis), correspondant à la moyenne des variation de détection attendues. Une valeur inférieure augmente la sensibilité du système de détection, une valeur supérieure réduit la sensibilité du système de détection.• μ corresponds to the average value of the previous days for this same time slot, extracted from the presence averages database • σ corresponds to the standard deviation, (defined as 5 in the examples provided), corresponding to the average of the expected variations in detection. A lower value increases the sensitivity of the detection system, a higher value reduces the sensitivity of the detection system.
8.2 Analyse, traitement8.2 Analysis, processing
Le résultat du calcul dans cet exemple où la moyenne attendue est de 10 mouvements indique que si nous avons enregistré 10 mouvements, le résultat de l'équation sera de 0,5. En utilisant un écart type de 5, nous pouvons déterminer une plage d'activité normale ainsi que deux plages d'activités anormales. Dans cet exemple, la plage d'activité anormale a été définie entre 0 et 10%, et entre 90% et 100%.The result of the calculation in this example where the expected average is 10 movements indicates that if we recorded 10 movements, the result of the equation will be 0.5. Using a standard deviation of 5, we can determine a range of normal activity as well as two ranges of abnormal activity. In this example, the range of abnormal activity has been defined between 0 and 10%, and between 90% and 100%.
Ainsi, les valeurs de probabilité supérieures à 90%, et inférieures à 10%, correspondent aux seuils de déclenchement permettant de conclure à une rupture des habitudes de vie.Thus, the probability values higher than 90%, and lower than 10%, correspond to the triggering thresholds making it possible to conclude that life habits have broken down.
La LOI NORMALE, version cumulée, est retenue comme base pour le calcul de la détection de rupture des habitudes de vie.NORMAL LAW, cumulative version, is used as the basis for the calculation of the detection of breaks in lifestyle.
Détection de la rupture des habitudes de vieDetection of breaking habits
9.1 Application de la LOI NORMALE CUMULÉE9.1 Application of CUMULATIVE NORMAL LAW
L'équation de la LOI NORMALE CUMULÉE est calculée en utilisant comme paramètres :The equation of the CUMULATIVE NORMAL LAW is calculated using as parameters:
> les données de la base de données des détections de présence pour l'heure qui vient de se terminer (paramètre « x ») > les données de la base de données des moyennes de présence (paramètre « μ ») > Un écart type dont la valeur est déterminée selon le nombre de détections, valeur de 5 dans les exemples ci-dessous.> data from the presence detection database for the hour just ended (parameter "x")> data from the presence averages database (parameter "μ")> A standard deviation of which the value is determined according to the number of detections, value of 5 in the examples below.
Le résultat est stocké dans la base de données des résultats du calcul de la loi normale cumulée.The result is stored in the database of the results of the calculation of the cumulative normal distribution.
Un algorithme identifie par tranche horaire les valeurs comprises dans les plages d'activité anormale.An algorithm identifies by time slot the values included in the ranges of abnormal activity.
Cet algorithme utilise les balises suivantes afin de prendre une décision > une variable de sensibilité réglable par l'utilisateur, permettant de déterminer la taille des zones d'activité anormale supérieure et inférieure o anormal.inférieur, valeur par défaut 10% o anormal.supérieur, valeur par défaut 95% > une variable de seuil de déclenchement d'avertissement qui détermine le nombre de valeurs d'activité annormales requises pour déclencher un avertissement. Valeur par défaut : 1 > une variable de déclenchement d'alerte o qui détermine le nombre de conditions d'activité anormales requises avant le déclenchement d'une alerte (valeur par défaut : 2)This algorithm uses the following tags in order to make a decision> a sensitivity variable adjustable by the user, making it possible to determine the size of the zones of abnormal activity upper and lower o abnormal.lower, default value 10% o abnormal.superior , default value 95%> a warning trigger threshold variable which determines the number of abnormal activity values required to trigger a warning. Default value: 1> an alert trigger variable o which determines the number of abnormal activity conditions required before triggering an alert (default value: 2)
L'algorithme effectue le calcul suivant, pour la plage horaire qui vient de se terminer :The algorithm performs the following calculation, for the time slot which has just ended:
1. Comptage du nombre de valeurs dans la zone d'activité anormale1. Counting the number of values in the abnormal activity zone
2. Comparaison entre ce nombre et le seuil déterminé par l'utilisateur2. Comparison between this number and the threshold determined by the user
a. Si le nombre de valeurs est égal ou supérieur au seuil d'alerteat. If the number of values is equal to or greater than the alert threshold
i. Déclenchement d'une procédure d'alerte ii. Fin de procédurei. Initiation of an alert procedure ii. End of procedure
b. Sinon, si le nombre de valeurs est égal ou supérieur au seuil d'avertissementb. Otherwise, if the number of values is equal to or greater than the warning threshold
i. Déclenchement d'une procédure d'avertissement ii. Fin de procédurei. Initiation of a warning procedure ii. End of procedure
9.1.1 Exemplededé >'> ·!· !v’,< >! 1 bi’ < I ! >< > < ; ;c un envoi d'avertissement9.1.1 Exemplededé>'> · ! · ! v ', <>! 1 bi '<I! ><><;; c a sending of warning
Résultats (probabilité multipliée par 100) de la LOI NORMALE CUMULÉECUMULATIVE NORMAL LAW results (probability multiplied by 100)
9.1.1.1 Hypothèses, analyse, résultat9.1.1.1 Assumptions, analysis, result
Seuil d'activité anormale inférieur (anormal.inférieur) : 10%Lower abnormal activity threshold (abnormal.lower): 10%
Seuil d'activité anormale supérieur (anormal.supérieur) : 95%Abnormal abnormal activity threshold (abnormal. Superior): 95%
Seuil de déclenchement d'avertissement : 1 valeurWarning trigger threshold: 1 value
Seuil de déclenchement d'alerte : 2 valeursAlert trigger threshold: 2 values
Dans cet exemple, un avertissement sera émis, carIn this example, a warning will be issued because
1. Une seule valeur en dehors des seuils supérieurs et inférieurs a été constatée1. Only one value outside the upper and lower thresholds was found
2. Cette valeur correspond à la mesure Séjour dans la tranche lOh-llh car l'algorithme a retourné une valeur de 5%, donc inférieur au seuil minimum de 10%.2. This value corresponds to the Stay measurement in the 10h-11h range because the algorithm returned a value of 5%, therefore below the minimum threshold of 10%.
La personne AIDANT(e) recevra un avertissement sur son téléphone par message texte indiquant un léger changement dans les habitudes de vie de la personne aidée.The CAREGIVER will receive a warning on their phone by text message indicating a slight change in the lifestyle of the caregiver.
9.1.2 Exemple de détections du schéma des habitudes de vie avec une détect ie qui donnera une alerte9.1.2 Example of detections of the pattern of life habits with a detection ie which will give an alert
Avec ces valeurs dans la base de données de moyennes de présenceWith these values in the presence averages database
• Avec ces valeurs dans la base de données des détections de présence• With these values in the presence detection database
Résultat (probabilité mu tipliée par 100) de la LOI NORMALE CUMULÉEResult (probability multiplied by 100) of the CUMULATIVE NORMAL LAW
9.1.2.1 Hypothèses, analyse, résultat9.1.2.1 Assumptions, analysis, result
Seuil d'activité anormale inférieur : 15%Lower abnormal activity threshold: 15%
Seuli d'activité anormale supérieur : 95%Only higher abnormal activity: 95%
Seuil de déclenchement d'avertissement : 1 valeurWarning trigger threshold: 1 value
Seuil de déclenchement d'alerte : 2 valeursAlert trigger threshold: 2 values
Dans la tranche 7h-8h, un premier avertissement sera émis, car « une » valeur était comprise dans le seuil inférieur.In the 7 am to 8 am period, a first warning will be issued because “a” value was included in the lower threshold.
Dans la tranche 8h-9h, un second avertissement sera déclenché, car « une » valeur était comprise dans le seuil inférieur.In the 8:00 am to 9:00 am period, a second warning will be triggered because "a" value was included in the lower threshold.
Dans la tranche 9h-10h, une alerte sera déclenchée car « 3 » valeurs sont comprises dans les seuils inférieurs et supérieursIn the 9 am-10am range, an alert will be triggered because "3" values are included in the lower and upper thresholds
Dans la tranche lOh-llh, une alerte sera déclenchée car « 2 » valeurs sont comprises dans les seuils inférieurs et supérieursIn the 10h-11h range, an alert will be triggered because "2" values are included in the lower and upper thresholds
La personne AIDANT(e) aura une information précise et fiable sur les difficultés rencontrées par la personne AIDÉe lui permettant de réagir en conséquence.The HELPING person will have precise and reliable information on the difficulties encountered by the HELPING person allowing them to react accordingly.
Définitions :Definitions:
Personne AIDÉEHELPED Person
La personne surveillée, une personne pour laquelle une surveillance permet de contrôler le bien être. Cette personne est souvent vulnérable en raison de son âge, d'un handicap, de la maladie, ou de toute autre condition qui justifie une surveillance.The person being monitored, a person for whom monitoring can control well-being. This person is often vulnerable because of their age, disability, illness, or any other condition that justifies monitoring.
AIDANTHELPING
Une personne qui contrôle le bien être d'un AIDÉE, souvent par filiation familiale, ou le biais d'une prestation professionnelle. Cette personne est souvent un membre de la famille qui s'occupe par exemple d'un parent âgé.A person who controls the welfare of a HELP, often by family descent, or through a professional service. This person is often a family member who takes care of, for example, an elderly parent.
Mécanisme d'alerteAlert mechanism
Une notification permettant à un AIDANT d'être informé d'une situation anormale chez la personne AIDÉE. Le mécanisme d'alerte peut être une notification sous forme de message textes (SMS) ou notification au sein d'une application, à un ou plusieurs AIDANTS simultanés.A notification allowing a CAREGIVER to be informed of an abnormal situation in the HELPED person. The alert mechanism can be a notification in the form of a text message (SMS) or notification within an application, to one or more simultaneous CAREERS.
Capteurs de présencePresence sensors
Un dispositif qui détecte le mouvement dans son périmètre de fonctionnement, le plus souvent de quelques mètres.A device that detects movement within its operating perimeter, usually a few meters.
Détection de rupture des habitudes de vieDetection of break in lifestyle
Un ensemble de procédés et algorithmes qui permettent de détecter les changements d'habitude de vie d'une personne par rapport à un schéma de normalité, basé sur une analyse de probabilité selon le modèle mathématique de la LOI NORMALE CUMULÉE.A set of procedures and algorithms that detect changes in a person's lifestyle compared to a pattern of normality, based on a probability analysis according to the mathematical model of CUMULATIVE NORMAL LAW.
La LOI NORMALE CUMULÉECUMULATIVE NORMAL LAW
En théorie des probabilités et en statistique, la loi normale est l'une des lois de probabilité les plus adaptées pour modéliser des phénomènes naturels issus de plusieurs événements aléatoires. Elle est en lien avec de nombreux objets mathématiques dont le mouvement brownien, le bruit blanc gaussien ou d'autres lois de probabilité. Elle est également appelée loi gaussienne, loi de Gauss ou loi de LaplaceGauss des noms de Laplace (1749-1827) et Gauss (1777-1855), deux mathématiciens, astronomes et physiciens qui l'ont étudiée.In probability theory and statistics, the normal law is one of the most suitable probability laws for modeling natural phenomena arising from several random events. It is linked to many mathematical objects including Brownian motion, white Gaussian noise or other laws of probability. It is also called Gaussian law, Gauss law or LaplaceGauss law from the names of Laplace (1749-1827) and Gauss (1777-1855), two mathematicians, astronomers and physicists who studied it.
Plus formellement, c'est une loi de probabilité absolument continue qui dépend de deux paramètres : son espérance, un nombre réel noté μ, et son écart type, un nombre réel positif noté oMore formally, it is an absolutely continuous probability law which depends on two parameters: its expectation, a real number noted μ, and its standard deviation, a positive real number noted o
La loi normale cumulée correspond à l'intégrale de la loi normale dont la résultante mathématique est adaptée à la détection des modifications de comportement.The cumulative normal law corresponds to the integral of the normal law whose mathematical result is adapted to the detection of behavioral modifications.
Claims (7)
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1870090A FR3077409B1 (en) | 2018-01-29 | 2018-01-29 | DETECTION OF A BREAKDOWN OF A PERSON'S LIFE HABITS REQUIRING SURVEILLANCE |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR1870090A FR3077409B1 (en) | 2018-01-29 | 2018-01-29 | DETECTION OF A BREAKDOWN OF A PERSON'S LIFE HABITS REQUIRING SURVEILLANCE |
| FR1870090 | 2018-01-29 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3077409A1 true FR3077409A1 (en) | 2019-08-02 |
| FR3077409B1 FR3077409B1 (en) | 2020-11-13 |
Family
ID=62875042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR1870090A Expired - Fee Related FR3077409B1 (en) | 2018-01-29 | 2018-01-29 | DETECTION OF A BREAKDOWN OF A PERSON'S LIFE HABITS REQUIRING SURVEILLANCE |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3077409B1 (en) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030058339A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| EP1489573A1 (en) * | 2003-06-16 | 2004-12-22 | Electricité de France Service National | A self learning system and method for regulating the operating state of an installation. |
| US20050137465A1 (en) * | 2003-12-23 | 2005-06-23 | General Electric Company | System and method for remote monitoring in home activity of persons living independently |
| EP2309471A1 (en) * | 2009-10-06 | 2011-04-13 | Funai Electric Co., Ltd. | Security system |
-
2018
- 2018-01-29 FR FR1870090A patent/FR3077409B1/en not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030058339A1 (en) * | 2001-09-27 | 2003-03-27 | Koninklijke Philips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| EP1489573A1 (en) * | 2003-06-16 | 2004-12-22 | Electricité de France Service National | A self learning system and method for regulating the operating state of an installation. |
| US20050137465A1 (en) * | 2003-12-23 | 2005-06-23 | General Electric Company | System and method for remote monitoring in home activity of persons living independently |
| EP2309471A1 (en) * | 2009-10-06 | 2011-04-13 | Funai Electric Co., Ltd. | Security system |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3077409B1 (en) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11607182B2 (en) | Voice controlled assistance for monitoring adverse events of a user and/or coordinating emergency actions such as caregiver communication | |
| US11328571B2 (en) | Fall detection and reporting technology | |
| US10736582B2 (en) | Monitoring and tracking system, method, article and device | |
| US20180122209A1 (en) | System for determining behavioral patterns and deviations from determined behavioral patterns | |
| US20160260310A1 (en) | Remote monitoring system | |
| CN111080968B (en) | Linkage control early warning method and system for accidental occurrence of solitary old people | |
| FR2906629A1 (en) | METHOD AND SYSTEM FOR DETECTING ABNORMAL SITUATIONS OF A PERSON IN A PLACE OF LIFE | |
| US11116413B2 (en) | Systems, devices, and/or methods for managing health | |
| WO2013023067A2 (en) | Monitoring and tracking system, method, article and device | |
| US11138861B2 (en) | Easily customizable inhabitant behavioral routines in a location monitoring and action system | |
| CN112235740A (en) | Individual work and rest monitoring method and system based on Internet of things | |
| WO2018168604A1 (en) | Method, system, storage medium and computer system for determining fall response of subject | |
| JP2016170566A (en) | Management device, remote health management system, and program | |
| FR3077409A1 (en) | BREAKING DETECTION OF THE LIVING HABITS OF A PERSON REQUIRING MONITORING | |
| Hunt et al. | A minimally intrusive monitoring system that utilizes electricity consumption as a proxy for wellbeing. | |
| Al Hossain et al. | A wearable sensor based elderly home care system in a smart environment | |
| CN111816325B (en) | Infectious disease data acquisition method, device, server and storage medium | |
| Borda et al. | Non-contact sensor-based falls detection in residential aged care facilities: developing a real-life picture | |
| CN110211333A (en) | The monitoring method and device of human body | |
| Hanson et al. | In home assessment and management of health and wellness with BeClose™ ambient, artificial intelligence | |
| CN110491089B (en) | Old man care system based on neural reflex | |
| WO2024068953A1 (en) | System for remote monitoring of a potentially elderly individual in an everyday environment | |
| CN116705283A (en) | Health monitoring method, system, equipment and storage medium | |
| KR20240065354A (en) | Reliable service system using user life response collection | |
| JP2024073800A (en) | Program, computer-implemented method for assisting in predicting onset of symptoms, and prediction assistance device |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLSC | Publication of the preliminary search report |
Effective date: 20190802 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |
|
| ST | Notification of lapse |
Effective date: 20190906 |
|
| RN | Application for restoration |
Effective date: 20190912 |
|
| FC | Decision of inpi director general to approve request for restoration |
Effective date: 20191009 |
|
| PLFP | Fee payment |
Year of fee payment: 5 |
|
| PLFP | Fee payment |
Year of fee payment: 6 |
|
| PLFP | Fee payment |
Year of fee payment: 7 |
|
| PLFP | Fee payment |
Year of fee payment: 8 |