WO2010122172A1 - Systeme et procede de determination de l'activite d'un element mobile - Google Patents

Systeme et procede de determination de l'activite d'un element mobile Download PDF

Info

Publication number
WO2010122172A1
WO2010122172A1 PCT/EP2010/055560 EP2010055560W WO2010122172A1 WO 2010122172 A1 WO2010122172 A1 WO 2010122172A1 EP 2010055560 W EP2010055560 W EP 2010055560W WO 2010122172 A1 WO2010122172 A1 WO 2010122172A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
frequency component
motion sensor
probability density
equal
Prior art date
Application number
PCT/EP2010/055560
Other languages
English (en)
Inventor
Pierre Jallon
Original Assignee
Commissariat A L'energie Atomique Et Aux Energies Alternatives
Movea
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 Commissariat A L'energie Atomique Et Aux Energies Alternatives, Movea filed Critical Commissariat A L'energie Atomique Et Aux Energies Alternatives
Priority to US13/266,094 priority Critical patent/US9489600B2/en
Priority to JP2012506529A priority patent/JP2012524578A/ja
Priority to CN2010800226262A priority patent/CN102438522A/zh
Priority to EP10715837A priority patent/EP2421437A1/fr
Publication of WO2010122172A1 publication Critical patent/WO2010122172A1/fr

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/29—Graphical models, e.g. Bayesian networks
    • G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1101—Detecting tremor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions

Definitions

  • the present invention provides a system and method for determining the activity of a movable member.
  • An object of the invention is to improve the accuracy of the determination of the activity of a mobile element, particularly for a living being, human or animal.
  • a system for determining the activity of a mobile element comprising at least one motion sensor with at least one measurement axis, provided with fixing means for integrally binding said sensor. movement to said moving element.
  • the system comprises: - a filter for selecting, for each measurement axis of the motion sensor, high frequencies higher than a first threshold;
  • a hidden Markov model is defined by two random processes: a first one which is called a "state" in the present application and which is not observed, or, in other words, which is hidden, and a second which is the observation whose probability density at a given moment depends on the value of the state at the same instant.
  • the state takes discrete values, i.e. 0 corresponding to the presence of oscillations and 1 to the absence of oscillations.
  • the standard used may be, for example, the sum of the squares of the high frequencies of the measurement axes taken into account by the motion sensor or the square of the Euclidean standard of the high frequencies of the measurement axes taken into account by the motion sensor.
  • a motion sensor is a sensor whose signal variations are representative of the motion. Such a system makes it possible to analyze the activity of a mobile element with improved accuracy. Indeed, taking into account the high frequency component allows to use additional information, which can detect small movements of the sensor, or, in other words, oscillations or vibrations, such as tremors.
  • the signal produced by the motion sensor at time n may be denoted S (n), and a high frequency component y (n) may be extracted from this signal.
  • the probability density P y j of obtaining the value (y (n)), when the mobile element is in a state i. for the high frequency component HF is defined by the following expression:
  • k represents the degree of freedom of the high frequency component HF equal to the number of measurement axes taken into account of said motion sensor (CM);
  • ⁇ y H is a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ y U is the time average of the variable y (n) divided by k;
  • the probability of the high frequency component is of good precision.
  • said filter is further adapted to select, for each measurement axis of the motion sensor, low frequencies lower than a second threshold less than or equal to said first threshold, forming a low frequency component of dimension equal to the number measuring axes taken into account of the motion sensor.
  • the present invention further utilizes a low frequency component, which makes it possible to determine an orientation of the sensor.
  • the probability density for obtaining a pair of values for the low frequency component and the high frequency component is equal to the product of the probability density of the low frequency component.
  • said low frequency value probability density, when the moving element is in the i state being defined by the following expression: -MX (H) -M X , YZ, 1 (X (H) -M X ,,) in which: x ⁇ n) represents the low frequency component to the sample of index n it is a vector of dimension q.
  • ⁇ x ⁇ represents a vector of the same dimension as the low frequency component, representative of the state of the hidden Markov model considered; and ⁇ /
  • ⁇ J ⁇ 2 h vahance of x (n) for the state i.
  • the system comprises display means.
  • the mobile element EM is a living being, human or animal.
  • the system is adapted to determine the activity of the movable element among two states, at rest and in motion.
  • the system is adapted to determine the activity of the mobile element among a set of states corresponding to different postures.
  • said motion sensor comprises an accelerometer, and / or a magnetometer, and / or a gyrometer
  • a method for determining the activity of a mobile element based on data transmitted by at least one motion sensor to at least one measuring axis integrally linked to said element.
  • a one-dimensional high frequency component is determined equal to the square of the Euclidean norm of said high frequencies of the measurement axes taken into account by the motion sensor;
  • the probability density of said high-frequency component is calculated, this probability density being defined by a Chi-2 law of degree of freedom equal to the number of measurement axes taken into account of said motion sensor;
  • the probability density of obtaining the value for the high frequency component is defined by the following expression, when the mobile element is in the state i: y (n)
  • k represents the degree of freedom of the high frequency component equal to the number of measurement axes taken into account of said motion sensor
  • ⁇ y U is a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ y H is the time average of the variable y (n) divided by k.
  • low frequencies lower than a second threshold lower than or equal to said first threshold are selected, and a low frequency component of dimension equal to the number of axes of measurement taken into account of the motion sensor.
  • low frequencies lower than one are selected.
  • second threshold less than or equal to said first threshold, and determining a low frequency component representing a low frequency component of the measured signal, along the measurement axes taken into account by the motion sensor.
  • the low frequency component is a noted vector of dimension q, x (n).
  • Pi probability density
  • FIGS. 1a and 1b illustrate two exemplary embodiments of a system for determining the activity of a mobile element, according to the invention
  • FIG. 2 illustrates an exemplary recording of a system according to one aspect of the invention.
  • FIG. 3 illustrates an exemplary recording of a system according to another aspect of the invention.
  • FIG. 1 illustrates a system for determining the activity of a mobile element EM, such as a living being, comprising at least one motion sensor CM with at least one measurement axis, internal to a housing BT, provided with means for fixing comprising for example a resilient element, for integrally bonding the motion sensor CM to the movable element EM, via the housing BT.
  • the CM motion sensor can be, an accelerometer, a magnetometer, or a gyrometer, with one, two, or three measurement axes.
  • the system includes a FILT filter for selecting, for each measurement axis of the CM motion sensor, high frequencies above a threshold S.
  • the system also includes a DET determination module of a one-dimensional RF high frequency component equal to the square of the Euclidean norm of said high frequencies of the measurement axes taken into account by the motion sensor CM, and a calculation module CALC the probability of said high-frequency component, said high-frequency component being defined by a Chi-2 law of degree of freedom equal to the number of measuring axes taken into account CM motion sensor.
  • the standard used may be the sum of the squares of the high frequencies of the measurement axes taken into account by the motion sensor or the square of the Euclidean standard of the high frequencies of the measurement axes taken into account by the motion sensor.
  • AN analysis means make it possible to detect oscillations or vibrations of the moving element EM as a function of time by using a hidden Markov model with 2 states respectively corresponding to the presence or the absence of oscillations or vibrations.
  • k represents the degree of freedom of the high frequency component HF equal to the number of measurement axes taken into account of said motion sensor CM
  • ⁇ y , t is a quantity proportional to the time average of the variable y (n), in the state i.
  • ⁇ y U is the time average of the variable y (n) divided by k.
  • the hidden Markov model is in this case defined by:
  • This variable, or state is a Markov sequence of order 1, and is therefore characterized by the probabilities of passing from one state to another.
  • the probability of passage P (0; 1) between the state 0 and the state 1 is chosen in the range of values [ ⁇ ; 1], for example equal to 0.1
  • the probability of passage P (1; 0) between the state 1 and the state 0 is chosen in the range of values [ ⁇ ; l], for example equal to 0.1;
  • k 3 and ⁇ y , -, depends on the value of the state i at the moment considered.
  • ⁇ y ⁇ y G [l.lO ⁇ . ⁇ .LO "1 ]
  • ⁇ y 2.10 ⁇ ⁇
  • ⁇ y 1.10 ⁇ ⁇
  • ⁇ y 1 -
  • Pi (y (n)) represents the probability density associated with the state i, at time n, of y (n).
  • Pyj (y (n)) n is generally unsatisfactory. Indeed, the observation of a single sample does not, in general, to determine an attitude: it is necessary to observe several.
  • P ⁇ E (0:: N - ⁇ )
  • P ⁇ E is proportional to: p (E (O)) p ( ⁇ (O) / E (O)) ⁇ [p (E (n) / E (n-1) p ( ⁇ (n) / E (nj)
  • the probabilities p (E (n) / E (n-1)) correspond to probabilities of transition from a state E (n-1) to a state E (n).
  • Such a system makes it possible to determine, at reduced cost, a beginning of movement, for example by detecting the transition from state 0 to state 1.
  • Figures 2 and 3 illustrate system recordings according to two aspects of the invention, using the low frequency components BF and HF high frequencies of the system sensors.
  • the FILT filter for selecting, for each measurement axis of the CM motion sensor, high frequencies above a threshold S, and low frequencies below said threshold S.
  • a first threshold S1 to select the high frequencies
  • a second threshold S2 less than or equal to a first threshold S1
  • the DET determination module is capable of determining a one-dimensional HF high frequency component equal to the square of the Euclidean norm of said high frequencies of the measurement axes taken into account by the motion sensor CM, and a low frequency component BF corresponding to a low signal.
  • CM motion sensor frequency is capable of determining a one-dimensional HF high frequency component equal to the square of the Euclidean norm of said high frequencies of the measurement axes taken into account by the motion sensor CM, and a low frequency component BF corresponding to a low signal.
  • an SG * (n) estimate of SG (n) is obtained.
  • x (n) we can then define a low frequency component x (n), equal to SG * the instant n.
  • x (n) can determine x (n) using only one component (for example the vertical axis), or several components Sk of the signal S.
  • the calculation module CALC makes it possible to calculate the probability density P y , j, corresponding to the state i, of said high frequency component HF and the probability density P x j, corresponding to the state i, of said low component BF frequency, said high frequency component HF being defined by a Chi-2 law with a degree of freedom and said low frequency component BF being defined by a Gaussian law.
  • the analysis means AN make it possible to determine a posture of the user as a function of time by using a hidden Markov model with N states respectively corresponding to N postures.
  • the calculation module calculates, for each state, the probability probability density Pi (x (n), y (n)) for obtaining a pair of values (x (n), y (n)), which here we can call here the joint probability density associated with the state i for the low frequency component BF and the high frequency component HF being equal to the product of the probability density P x of obtaining the value x (n) for the low frequency component BF and the probability density P y of obtaining the value y (n) for the high frequency component HF, said probability densities P x j, P y j being defined by the following expressions:
  • x ⁇ n represents the low frequency component BF to the index sample
  • ⁇ x ⁇ represents a vector of the same dimension as the low frequency component BF, representative of the state of the hidden Markov model considered
  • i represents the absolute value of the determinant of the covariance matrix ⁇ i for the state iy (n) represents the sample of index n
  • ⁇ y , t is a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ y U is the time average of the variable y (n) divided by k.
  • Pi (x (n), y (n)) represents the joint probability density associated with the state i, at time n, of x (n) and y (n). It corresponds here to the product of the previously defined probability densities P x ⁇ (x (n)) and P y ⁇ (y (n)).
  • the observed data ⁇ (n) are derived from the processing of the signal S (n) measured by the motion sensor CM.
  • ⁇ (n) ⁇ (n), y (n) ⁇ , x (n) and y (n) are respectively said low and high frequency components of the signal S (n) considered at 1 moment n.
  • the system also includes an AFF display screen.
  • the system comprises an accelerometer with a measurement axis and a fixing element for fixing the accelerometer at the torso of the user so that the measurement axis coincides with the vertical axis VT of the body. when the user is upright.
  • the hidden Markov model used includes four states corresponding to four postures, standing or sitting posture
  • the transition probability probabilities P (state / state j ) of a state state corresponding to a posture of the hidden Markov model to another state state j corresponding to a hidden Markov model posture are as follows, chosen so as to ensure good stability to the system:
  • the analysis module AN determines the most probable sequence of states (postures), as previously described: from
  • the various elements of the system may, for example be integrated in the same housing as shown in Figure 1a, or some outsourced, for example in a laptop, as shown in Figure 1b.
  • Figure 2 illustrates an example of a system user registration of the first example, on the lower graph, and the result provided by the system that indicates that the user was in the standing or sitting posture (state 1) while 36 seconds, then in the walking posture (state 2) for 16 seconds, then in the standing or sitting posture (state 1) for 8 seconds, then in the leaning posture (state 3) for 18 seconds, then in the upright posture or sitting (state 1) for 6 seconds, then in the walking posture (state 2) for 30 seconds, then in the tilted posture (state 3) for 38 seconds, then in the standing or sitting posture (state 1) for 8 seconds. seconds, then in the walking posture (state 2) for 51 seconds, and finally ends up in standing or sitting posture (state 1).
  • the system comprises a first accelerometer with a measurement axis and a first attachment element for fixing the first accelerometer at the torso of the user so that the measurement axis coincides with the vertical axis VT. of the body when the user is standing upright, and a second accelerometer to a measurement axis and a second attachment element to fix the second accelerometer at the level of the thigh of the user so that the measurement axis coincides with the VT vertical axis of the body when the user is standing upright.
  • S (n) represents the signal from the two accelerometers at instant n.
  • the hidden Markov model used includes four states corresponding to four postures, standing posture (state 1), sitting posture (state 2), elongated posture (state 3), and posture walking (state 4).
  • x (n) represents the pair of respective low frequency components BF of said two accelerometers along the measurement axis coinciding with the vertical axis VT
  • y (n) represents the high frequency component RF of said second accelerometer.
  • x (n) is of dimension 2.
  • the probability density P x j for a state i of obtaining the value x (n) is defined by the following expression:
  • ⁇ i is a diagonal matrix of dimensions 2, whose first term is ⁇ , i and whose second term is ⁇ i 2 .
  • This matrix describes the covariance matrix of the signal x (n) for the state i of the model.
  • ⁇ x , i represents a two-component column vector, representative of the state i of the model.
  • the probabilities of the variables x (n) and y (n) associated with these states are defined by the probabilities above, with the following parameters: - for the standing posture (state 1), the parameters of the densities of
  • ⁇ (n) ⁇ x (n), y (n) ⁇ , x (n) and y (n) are respectively low and high frequency components of the signal S (n) measured by two accelerometers at time n,
  • transition probability probabilities P (state / state j ) of a state state corresponding to a posture of the hidden Markov model to another state state j corresponding to a hidden Markov model posture are as follows, chosen so as to ensure good stability to the system:
  • Figure 3 shows an example of a system user record of the first example, on the lower graph, and the result provided by the system which indicates that the user has been in the sitting posture (state 2) for 50 seconds, then in the stance (state 4) for 85 seconds, then in the upright posture (state 1) for 50 seconds, then in the walking posture (state 4) for 61 seconds, then in the sitting posture (state 2) for 8 seconds, then in the lying posture (state 3) for 94 seconds, then in the walking posture (state 4) for 54 seconds, and finally ends up in the sitting posture (state 2).
  • the set of observed quantities ⁇ (n) can also gather said high frequency component y (n) and a component x (n), the latter representing a low frequency component of S (n).
  • ⁇ ⁇ n) ⁇ x (ti), y ⁇ n) ⁇

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Système de détermination de l'activité d'un élément mobile (EM), comprenant au moins un capteur de mouvement (CM) à au moins un axe de mesure, muni de moyens de fixation (MF) pour lier solidairement ledit capteur de mouvement (CM) audit élément mobile (EM), comprenant : - un filtre (FILT) pour sélectionner, pour chaque axe de mesure du capteur de mouvement, des hautes fréquences supérieures à un premier seuil (S1); - des moyens de détermination (DET) d'une composante hautes fréquences (y(n)) unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement (CM); - des moyens de calcul (CALC), pour chaque état, de densités de probabilités (Py,i) de ladite composante hautes fréquences (HF), ladite densité de probabilité correspondant à chaque état suivant une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement (CM); et - des moyens d'analyse permettant de définir des états de l'élément mobile, ces moyens d'analyse combinant : - la densité de probabilité de ladite composante hautes fréquences pour chaque état, - des probabilités de passage entre deux états successifs.

Description

SYSTEME ET PROCEDE DE DETERMINATION DE L'ACTIVITE D'UN
ELEMENT MOBILE
La présente invention porte sur un système et un procédé de détermination de l'activité d'un élément mobile.
Il est connu des systèmes et procédés concernant l'analyse de mouvement à base de modèle de Markov caché, tel que décrit par exemple dans les documents "Gesture récognition using the XWand" de Daniel Wilson et Andy Wilson et "Motion-based gesture récognition with an accelerometer" (bachelor's thesis) de P. V. Borza.
Le document "A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data", Journal of Biomechanics 41 (2008) 216-220 de Thilo Pfau, Marta Ferrari, Kevin Parsons, et Alan Wilson, porte sur l'analyse de la marche du cheval.
Toutefois, ces systèmes et procédés sont d'une précision limitée. Un but de l'invention est d'améliorer la précision de la détermination de l'activité d'un élément mobile, particulièrement pour un être vivant, humain ou animal. Selon un aspect de l'invention, il est proposé un système de détermination de l'activité d'un élément mobile, comprenant au moins un capteur de mouvement à au moins un axe de mesure, muni de moyens de fixation pour lier solidairement ledit capteur de mouvement audit élément mobile. Le système comprend : - un filtre pour sélectionner, pour chaque axe de mesure du capteur de mouvement, des hautes fréquences supérieures à un premier seuil ;
- des moyens de détermination d'une composante hautes fréquences unidimensionnelle égale à la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement ;
- des moyens de calcul, pour au moins un état, d'une densité de probabilité de ladite composante hautes fréquences associée à cet état, ladite densité de probabilité de la composante hautes fréquences étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement ; et - des moyens d'analyse permettant de définir des états de l'élément mobile, ces moyens d'analyse combinant : - la densité de probabilité de ladite composante haute fréquence pour chaque état, - des probabilités de passage entre deux états successifs.
On rappelle qu'un modèle de Markov caché est défini par deux processus aléatoires : un premier qui est appelé "état" dans la présente demande et qui n'est pas observé, ou, en d'autres termes qui est caché, et un second qui est l'observation dont la densité de probabilité à un instant donné dépend de la valeur de l'état au même instant. Selon ce premier aspect de l'invention, l'état prend des valeurs discrètes, i.e. O correspondant à la présence d'oscillations et 1 à l'absence d'oscillations.
La norme utilisée peut être, par exemple, la somme des carrés des hautes fréquences des axes de mesure pris en compte du capteur de mouvement ou le carré de la norme euclidienne des hautes fréquences des axes de mesure pris en compte du capteur de mouvement.
Un capteur de mouvement est un capteur dont les variations de signal sont représentatives du mouvement. Un tel système permet d'analyser, l'activité d'un élément mobile, avec une précision améliorée. En effet, la prise en compte de la composante hautes fréquences permet d'utiliser une information supplémentaire, qui permet de détecter de petits mouvements du capteur, ou, en d'autres termes, des oscillations, ou vibrations, tels des tremblements. Le signal produit par le capteur de mouvement à l'instant n peut- être noté S(n), et on peut extraire de ce signal une composante hautes fréquences y(n).
Selon un mode de réalisation, la densité de probabilité Pyj d'obtention de la valeur (y(n)), lorsque l'élément mobile se trouve dans un état i. pour la composante hautes fréquences HF est définie par l'expression suivante :
Figure imgf000004_0001
dans laquelle : k représente le degré de liberté de la composante hautes fréquences HF égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement (CM) ; σy H est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy U est la moyenne temporelle de la variable y(n) divisée par k ; et F est la fonction gamma vérifiant F — = Jπ , r(l) = 1 et r(z + 1) = z r(ζ) pour
z réel.
Ainsi les données acquises étant supposées Gaussiennes, la probabilité de la composante hautes fréquences est de bonne précision.
Dans un mode de réalisation, ledit filtre est en outre adapté pour sélectionner, pour chaque axe de mesure du capteur de mouvement, des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil, formant une composante basses fréquences de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement.
La présente invention utilise, en outre, une composante basses fréquences, qui permet de déterminer une orientation du capteur.
Dans un mode de réalisation, la densité de probabilité d'obtention d'un couple de valeurs pour la composante basses fréquences et la composante hautes fréquences, dite densité de probabilité conjointe, est égale au produit de la densité de probabilité de la composante basses fréquences et de la densité de probabilité de composante hautes fréquences précédemment définie, ladite densité de probabilité de la valeur basse fréquence, lorsque l'élément mobile est dans l'état i, étant définie par l'expression suivante : -MX(H)-MX , Y Z, 1 (X(H)-MX ,,)
Figure imgf000005_0001
dans laquelle : x{n) représente la composante basses fréquences à l'échantillon d'indice n il s'agit d'un vecteur de dimension q. μx ι représente un vecteur de même dimension que la composante basses fréquences, représentatif de l'état du modèle de Markov caché considéré ; et Σ/| représente la valeur absolue du déterminant d'une matrice ∑ι de covariance, correspondant à l'état i. Lorsque q = 1 , |∑J = σ2 h vahance de x(n) pour l'état i.
Ainsi, un tel système peut mettre en œuvre la plupart des applications.
Selon un mode de réalisation, le système comprend des moyens d'affichage.
Ainsi le résultat peut être facilement visualisé, en temps réel ou en temps différé.
L'élément mobile EM est un être vivant, humain ou animal. Dans un mode de réalisation, le système est adapté pour déterminer l'activité de l'élément mobile parmi deux états, au repos et en mouvement.
Ainsi, il est possible de détecter aisément un changement entre deux états, repos et mouvement, à coût très réduit, en utilisant uniquement la composante hautes fréquences. Selon un mode de réalisation, le système est adapté pour déterminer l'activité de l'élément mobile parmi un ensemble d'états correspondants à différentes postures.
Ainsi, il est possible de détecter aisément une posture, à coût réduit, en utilisant les composantes basses et hautes fréquences. Selon un mode de réalisation, ledit capteur de mouvement comprend un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre
Selon un autre aspect de l'invention, il est également proposé un procédé de détermination de l'activité d'un élément mobile, à partir de données transmises par au moins un capteur de mouvement à au moins un axe de mesure lié solidairement audit élément mobile, caractérisé en ce que
- on sélectionne, pour chaque axe de mesure du capteur de mouvement, des hautes fréquences supérieures à un premier seuil ; - on détermine une composante hautes fréquences unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement ;
- on calcule la densité de probabilité de ladite composante hautes fréquences, cette densité de probabilité étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement ; et
- on détermine des états de l'élément mobile, en combinant :
- la densité de probabilité de ladite composante haute fréquence pour chaque état,
- des probabilités de passage entre deux états successifs.
Selon un mode de réalisation, la densité de probabilité d'obtention de la valeur pour la composante hautes fréquences est définie par l'expression suivante, lorsque l'élément mobile se trouve dans l'état i : y(n)
Py u (y(n)) = 1——— y(n)~1 e ^'
dans laquelle : k représente le degré de liberté de la composante hautes fréquences égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement ; σy U est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy H est la moyenne temporelle de la variable y(n) divisée par k. F est la fonction gamma vérifiant r — = 4π , r(l) = 1 et r(z + 1) = z r(z) pour
z réel.
Dans un mode de réalisation, on sélectionne, pour chaque axe de mesure du capteur de mouvement, des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil, et on détermine une composante basses fréquences de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement.
Selon un mode de réalisation, on sélectionne, pour chaque axe de mesure du capteur de mouvement, des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil, et on détermine une composante basses fréquences représentant une composante basse fréquence du signal mesuré , selon les axes de mesure pris en compte du capteur de mouvement. La composante basse fréquence est un vecteur noté de dimension q, x(n). On peut lui associer une densité de probabilité, notée Pi(x(n)) pour chaque état i considéré.
L'invention sera mieux comprise à l'étude de quelques modes de réalisation décrits à titre d'exemples nullement limitatifs et illustrés par les dessins annexés sur lesquels :
- les figures 1 a et 1 b illustrent deux exemples de réalisation d'un système de détermination de l'activité d'un élément mobile, selon l'invention ;
- la figure 2 illustre un exemple d'enregistrement d'un système selon un aspect de l'invention ; et
- la figure 3 illustre un exemple d'enregistrement d'un système selon un autre aspect de l'invention.
La figure 1 illustre un système de détermination de l'activité d'un élément mobile EM, tel un être vivant, comprenant au moins un capteur de mouvement CM à au moins un axe de mesure, interne à un boîtier BT, muni de moyens de fixation comprenant par exemple un élément élastique, pour lier solidairement le capteur de mouvement CM à l'élément mobile EM, par l'intermédiaire du boîtier BT. Le capteur de mouvement CM peut être, un accéléromètre, un magnétomètre, ou un gyromètre, à un, deux, ou trois axes de mesure.
Le système comprend un filtre FILT pour sélectionner, pour chaque axe de mesure du capteur de mouvement CM, des hautes fréquences supérieures à un seuil S. Le système comprend également un module de détermination DET d'une composante hautes fréquences HF unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement CM, et un module de calcul CALC la probabilité de ladite composante hautes fréquences, ladite composante hautes fréquences étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement CM. La norme utilisée peut être la somme des carrés des hautes fréquences des axes de mesure pris en compte du capteur de mouvement ou le carré de la norme euclidienne des hautes fréquences des axes de mesure pris en compte du capteur de mouvement. Des moyens d'analyse AN permettent de détecter des oscillations ou des vibrations de l'élément mobile EM en fonction du temps en utilisant un modèle de Markov caché à 2 états correspondant respectivement à la présence ou l'absence d'oscillations ou vibrations.
On associe, à chaque état i, une densité de probabilité Py d'obtention de la valeur y(n) pour la composante hautes fréquences HF est définie par l'expression suivante :
Figure imgf000009_0001
dans laquelle : k représente le degré de liberté de la composante hautes fréquences HF égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement CM ; σy ,t est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy U est la moyenne temporelle de la variable y(n) divisée par k. r est la fonction gamma vérifiant r - J = 4π , r(l) = 1 et r(z + l) = z r{z) pour
z réel.
Le modèle de Markov caché est dans ce cas défini par :
- un processus discret non observé noté l'état et qui prend deux valeurs : 0 lorsque le capteur est au repos, et 1 lorsque le capteur bouge. Cette variable, ou état est une suite de Markov d'ordre 1 , et est donc caractérisé par les probabilités de passage d'un état à un autre. Dans ce cas, la probabilité de passage P(0;1 ) entre l'état 0 et l'état 1 est choisie dans l'intervalle de valeurs [θ;l], par exemple égale à 0.1 , et la probabilité de passage P(1 ;0) entre l'état 1 et l'état 0 est choisie dans l'intervalle de valeurs [θ;l], par exemple égale à 0.1 ; et
- un processus observé, dans le cas présent le signal y(n) en outre, il faut définir la densité de probabilité d'observation en fonction de l'état, notée PyJ Dans ce cas, cette dernière est définie par la relation suivante:
Figure imgf000010_0001
dans laquelle k=3 et σy ,-, dépend de la valeur de l'état i à l'instant considéré. Pour l'état 0 (capteur au repos), il est possible de choisir σy tel que σy G [l.lO^.^.lO"1] , et par exemple σy = 2.10~\ et pour l'état 1 (capteur qui bouge), il est possible de choisir σy tel que σy G [l.lθ~2;l], et par exemple σy = 1 -
A chaque instant n, on peut alors déterminer un état de la personne : E(n) = arg max(Py ι (y(n)) = arg HIaX(P1 (y(n))
Si, à l'instant n, la personne se trouve dans l'état i, E(n) = i. Pi(y(n)) représente la densité de probabilité associée à l'état i, à l'instant n, de y(n).
Si on considère un vecteur θ(n) (par exemple θ(n)=y(n)), rassemblant les données observées, on peut écrire que Pi(y(n))=Pi(θ(n)=
Figure imgf000010_0002
= i) , E(n) représentant l'état à l'instant n.
Mais la détermination de l'état E(n) à l'instant n, uniquement à partir des données observées, y(n), et des densités de probabilités associées
Pyj(y(n)) n'est généralement pas satisfaisante. En effet, l'observation d'un seul échantillon ne permet pas, en général, de déterminer une attitude: il est nécessaire d'en observer plusieurs.
Ainsi, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n=0 et l'instant n=N, la probabilités de la séquence d'états E(0:N) correspondante à la séquence d'états E(O), E(I )... E(N), également notée
P{E(0 : : N - Ï)) , est proportionnelle à : p(E(O))p(θ(O)/E(O))γ[p(E(n)/E(n -lj)p(θ(n)/E(nj)
B=I
Par exemple, pour la séquence E(O : N) = {io ,- - -iN}, cette probabilité s'écrit:
P(E(O) = io )p(θ(O)\E(O) = io = in\E(n -\) = („_, )) p(θ(n)\E(n) = /„ )) (1 )
Figure imgf000011_0001
La séquence d'états estimée E(0:N) est celle dont la probabilité est la plus élevée. En pratique, plutôt que de considérer l'ensemble des séquences possibles et pour chacune calculer sa probabilité, on peut utiliser avantageusement un algorithme de Viterbi pour estimer cette séquence.
P(E(O))désigne la probabilité associé à l'état initial E(O). Il est par exemple possible choisir une répartition équiprobable de chacun des états possibles lorsque n=0. p(θ(0)/E(0)) représente la probabilité d'observation des données θ(0) pour l'état E(O). Cela correspond à la probabilité Pi(,θ(n=0)) avec E(O) = i, pouvant être notée PE(0)(,θ(0)) - p(E(n)/E(n -I)) représente la probabilité de se trouver dans un état E(n) à l'instant alors qu'on se trouvait dans un état E(n-1 ) dans à l'instant n-1. p(θ(n)/E(n)) représente la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état E(n). Cela correspond à la probabilité Pi(θ(n)) avec E(n) = i.
Les probabilités p(E(n)/E(n -l)) correspondent à des probabilités de passage d'un état E(n-1 ) à un état E(n).
Ainsi, 1 ) en établissant, pour chaque état E(n) :
- la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état E(n), notée p(θ(n)/E(n))
- la probabilité de passage d'un état E(n-1 ) à un état E(n), notée
Figure imgf000011_0002
2) en établissant la probabilité associée à chaque état E(O), 3) en obtenant des valeurs observées θ(n) à chaque instant n compris entre n=0 et n=N, on peut obtenir la série d'états la plus probable E(O)....E(N).
Un tel système permet de déterminer à coût réduit un début de mouvement, par exemple en détectant le passage de l'état 0 à l'état 1 .
Les figures 2 et 3 illustrent des enregistrements de systèmes selon deux aspects de l'invention, utilisant les composantes basses fréquences BF et hautes fréquences HF du ou des capteurs du système.
Pour ces deux exemples de réalisation, le filtre FILT pour sélectionner, pour chaque axe de mesure du capteur de mouvement CM, des hautes fréquences supérieures à un seuil S, et des basses fréquences inférieures audit seuil S. En variante, il est également possible d'envisager d'utiliser un premier seuil S1 pour sélectionner les hautes fréquences, et un deuxième seuil S2, inférieur ou égal à un premier seuil S1 , pour sélectionner les basses fréquences. Le module de détermination DET est capable de déterminer une composante hautes fréquences HF unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement CM, et une composante basses fréquences BF correspondant à un signal de basse fréquence du capteur de mouvement CM.
On détaille à présent l'obtention de x(n), dans le cas ou le capteur utilisé est un accéléromètre.
Le signal mesuré par un accéléromètre à un instant n peut être décomposé en deux composantes sommées : S(n) = SG(n) + SP(n). SG(n), représente la projection du champ gravitationnel, et SP(n) représente l'accélération propre du porteur de l'accéléromètre.
En appliquant un filtre passe bas au signal S(n), la fréquence de coupure étant inférieure à 1 Hz, et par exemple égale à 0.5 Hz, on obtient une estimation SG*(n) de SG(n). Ainsi, une estimation SP*(n) de SP(n) est telle que SP*(n) = S(n) -
SG*(n).
On peut alors définir une composante basse fréquence x(n), égale à SG* l'instant n. On peut déterminer x(n) en n'utilisant qu'une seule composante (par exemple l'axe vertical), ou plusieurs composantes Sk du signal S.
Toujours selon l'exemple ou le capteur utilisé est un accéléromètre, on peut également définir une composante hautes fréquences y(n) du signal S(n), cette composante étant déterminée à partir de SP*(n). Selon un mode préféré, )>(«) = |5P * (M)|2 , cette norme étant calculée en considérant un ou plusieurs axes.
Le module de calcul CALC permet de calculer la densité de probabilité Py,j, correspondant à l'état i, de ladite composante hautes fréquences HF et la densité de probabilité Pxj , correspondant à l'état i, de ladite composante basses fréquences BF, ladite composante hautes fréquences HF étant définie par une loi du Chi-2 à un degré de liberté et ladite composante basses fréquences BF étant définie par une loi Gaussienne. Les moyens d'analyse AN permettent de déterminer une posture de l'utilisateur en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N postures.
Le module de calcul calcule, pour chaque état, la densité de probabilité de probabilité Pi(x(n),y(n)) d'obtention d'un couple de valeurs (x(n), y(n)), qu'on peut appeler ici densité de probabilité conjointe associée à l'état i pour la composante basses fréquences BF et la composante hautes fréquences HF étant égale au produit de la densité de probabilité Px d'obtention de la valeur x(n) pour la composante basses fréquences BF et de la densité de probabilité Py d'obtention de la valeur y(n) pour la composante hautes fréquences HF, lesdites densités de probabilité Pxj, Pyj étant définies par les expressions suivantes :
Figure imgf000013_0001
dans lesquelles : x{n) représente la composante basses fréquences BF à l'échantillon d'indice μx ι représente un vecteur de même dimension que la composante basses fréquences BF, représentatif de l'état du modèle de Markov caché considéré ; Σ/| i représente la valeur absolue du déterminant de la matrice de covariance ∑i pour l'état i y(n) représente à l'échantillon d'indice n ; et σy ,t est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy U est la moyenne temporelle de la variable y(n) divisée par k.
Pi(x(n),y(n)) représente la densité de probabilité conjointe associée à l'état i, à l'instant n, de x(n) et y(n). Elle correspond ici au produit des densités de probabilités Px ι (x(n)) et Py ι (y(n)) précédemment définies.
Si on considère un ensemble θ(n), rassemblant les données observées x(n) et y(n), on peut écrire que P\(x(n),γ(n))=P\(θ(n)= p(θ(n)/E(n) = ij) , E(n) représentant l'état à l'instant n.
On rappelle que les données observées θ(n) sont issues du traitement du signal S(n) mesuré par le capteur de mouvement CM.
Mais la détermination de l'état E(n) à l'instant n, uniquement à partir des données observées, x(n) et y(n), et des densités de probabilités associées Px i(x(n)) et Py,i(y(n)), respectivement associées à ces données, n'est généralement pas satisfaisante. L'expérience montre qu'il est nécessaire de tenir compte d'un a priori, et par exemple de l'état E(n-1 ) déterminé durant l'instant n-1 . Ainsi, si E(0:N) désigne la série d'états entre l'instant n=0 et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n=0 et l'instant n=N, la probabilités de la séquence d'états E(0:N) correspondante à la séquence d'états E(O), E(I )... E(N) s'écrit : p(E(0 : f[ p(E(n)/E(n - l))p( Θ(n)/E(n))
Figure imgf000015_0001
oc représentant la proportionnalité
Par exemple, pour la séquence E(0:N)={i,i,i, ,i}, cette probabilité s'écrit:
P(E(O) = i)p(θ(0)\E(0) = p(E(n) = i\E(n - 1) = i))p(θ(n)\E(n) = i)) (1 )
Figure imgf000015_0002
La séquence d'états estimée E(0:N) est celle dont la probabilité est la plus élevée. En pratique, plutôt que de considérer l'ensemble des séquences possibles et pour chacune calculer sa probabilité, on peut utiliser avantageusement un algorithme de Viterbi pour estimer cette séquence.
P(E(O)) désigne la probabilité associé à l'état initial E(O). Il est par exemple possible de choisir une répartition équiprobable de chacun des états possibles lorsque n=0.
- p(θ(0)/E(0)) représente la probabilité d'observation des données θ(0) à l'instant E(O). Cela correspond à la probabilité Pi(x(n=0),y(n=0)) avec E(n)=i.
- p(E(n)/E(n - lj) représente la probabilité de se trouver dans un état
E(n) à l'instant alors qu'on se trouvait dans un état E(n-1 ) dans à l'instant n-1 .
- p(θ(n)/E(n)) représente la probabilité d'observer les grandeurs q(n) alors qu'on se trouve dans l'état E(n). Cela correspond à la probabilité Pj(x(n),y(n)) avec E(n) = i.
Les probabilités p(E(n)/E(n - l)) correspondent à des probabilités de passage d'un état E(n-1 ) à un état E(n). Ces probabilités sont indiquées dans la tableau suivant en adoptant les notations E(n-1 )=j et E(n)=i, La série d'états E(O)... E(N) maximisant l'expression (1 ) peut être obtenue en utilisant par exemple l'algorithme de Viterbi, bien connu de l'homme du métier.
Ainsi, 1 ) en établissant, pour chaque état E(n) : - la probabilité d'observer les grandeurs θ(n) alors qu'on se trouve dans l'état E(n), notée p(θ(n)/E(n))
- la probabilité de passage d'un état E(n-1 ) à un état E(n), notée
Figure imgf000016_0001
2) en établissant la probabilité associée à chaque état E(O),
3) en obtenant des valeurs observées θ(n) à chaque instant n compris entre n=0 et n=N, on peut obtenir la série d'états la plus probable E(O)....E(N).
Selon ce mode de réalisation, θ(n) = {χ(n), y(n)}, x(n) et y(n) étant respectivement des composantes dites basses et hautes fréquences du signal S(n) considéré à l'instant n.
Le système comprend également un écran d'affichage AFF. Dans un premier exemple, le système comprend un accéléromètre à un axe de mesure et un élément de fixation pour fixer l'accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout.
Selon cet exemple, le modèle de Markov caché utilisé comprend quatre états correspondant à quatre postures, la posture debout ou assis
(état 1 ), la posture marche (état 2), la posture penché (état 3), et la posture couché (état 4). Les probabilités des variables x(n) et y(n) associées à ces états sont définies par les probabilités ci-dessus, avec les paramètres suivants :
- la posture debout ou assis (état 1 ) : μx = 1 , σx = 0.03 , ei σy = 3e"4 ;
- la posture marche (état 2) : μx = 1 , σx = 0.03 , et σy = 1.2e"1 ; - la posture penché (état 3) : μx = 0.5 , σx = 0.03 , et σy = 3e"2 ;
- la posture couché (état 4) : μx = 0 , σx = 0.03 , et σ = 3e"2 Les densités de probabilités de passage P(étati / étatj) d'un état étati correspondant à une posture du modèle de Markov caché à un autre état étatj correspondant à une posture du modèle de Markov caché sont les suivantes, choisies de manière à assurer une bonne stabilité au système :
Figure imgf000017_0001
Le module d'analyse AN détermine la séquence d'états (postures) la plus probable, comme cela a été précédemment décrit : à partir
- du signal S(n) issu du capteur (duquel on extrait les composantes x(n) et y(n)),
-de l'expression de la densité de probabilité conjointe correspondant à chaque état,
- des conditions initiales,
- et des probabilités de passage entre deux états successifs, ,. Cette détermination s'effectue selon des procédés classiques, par exemple en calculant pour l'ensemble des séquences d'états possibles la probabilité associée compte tenu du signal observé et en gardant la séquence la plus probable, tels que décrits par exemple dans le document "An introduction to hidden Markov models" de L.R. Rabiner et B. H. Juang, IEEE ASSP Magazine, January 1986, ou dans le livre "Inference in Hidden Markov Models" de Cappé, Moulines et Ryden de Springer, de la série "Springer séries in statisctics".
Les différents éléments du système peuvent, par exemple être intégrés dans un même boîtier comme illustré sur la figure 1 a, ou certains externalisés, par exemple dans un ordinateur portable, comme illustré sur la figure 1 b.
La figure 2 illustre un exemple d'enregistrement d'un utilisateur du système du premier exemple, sur le graphique inférieur, et le résultat fourni par le système qui indique que l'utilisateur a été dans la posture debout ou assis (état 1 ) pendant 36 secondes, puis dans la posture de marche (état 2) pendant 16 secondes, puis dans la posture debout ou assis (état 1 ) pendant 8 secondes, puis dans la posture penché (état 3) pendant 18 secondes, puis dans la posture debout ou assis (état 1 ) pendant 6 secondes, puis dans la posture de marche (état 2) pendant 30 secondes, puis dans la posture penché (état 3) pendant 38 secondes, puis dans la posture debout ou assis (état 1 ) pendant 8 secondes, puis dans la posture de marche (état 2) pendant 51 secondes, et enfin finit dans la posture debout ou assis (état 1 ).
Dans un deuxième exemple, le système comprend un premier accéléromètre à un axe de mesure et un premier élément de fixation pour fixer le premier accéléromètre au niveau du torse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout, et un deuxième accéléromètre à un axe de mesure et un deuxième élément de fixation pour fixer le deuxième accéléromètre au niveau de la cuisse de l'utilisateur de sorte que l'axe de mesure coïncide avec l'axe vertical VT du corps lorsque l'utilisateur est droit debout. Selon ce mode de réalisation, S(n) représente le signal issu des deux accéléromètres à l'instant n.
Le modèle de Markov caché utilisé comprend quatre états correspondant à quatre postures, la posture debout (état 1 ), la posture assis (état 2), la posture allongé (état 3), et la posture marche (état 4).
En ce cas, x(n) représente le couple des composante basses fréquences BF respectives desdits deux accéléromètres selon l'axe de mesure coïncidant avec l'axe vertical VT, et y(n) représente la composante hautes fréquences HF dudit deuxième accéléromètre. Dans l'exemple qui suit, x(n) est de dimension 2. A l'échantillon d'indice n, la densité de probabilité Pxj pour un état i d'obtention de la valeur x(n) est définie par l'expression suivante :
—(x{n)-μJ Y.ι-1(x(n)-μπ)
Figure imgf000019_0001
dans laquelle :
∑i est une matrice diagonale de dimensions 2, dont le premier terme est ∑ι,i et dont le second terme est ∑i 2. Cette matrice décrit la matrice de covariance du signal x(n) pour l'état i du modèle. μx , i représente un vecteur colonne à deux composantes, représentatif de l'état i du modèle. Les probabilités des variables x(n) et y(n) associées à ces états sont définies par les probabilités ci-dessus, avec les paramètres suivants : - pour la posture debout (état 1 ), les paramètres des densités de
0.032 0 probabilité sont définis comme suit: μx l = [l lf et ∑x l =
0 0.032
Pour la composante hautes fréquence y(n), son paramètre est le suivant:
^1 = 3e~2 ; pour la posture assis, (état 2), les paramètres des densités de probabilité sont définis comme suit: μx 2 = [l of et Σ . Pour la
Figure imgf000019_0002
composante hautes fréquences y(n), son paramètre est le suivant: σya = 3e~2 ; pour la posture allongée, (état 3), les paramètres des densités de probabilité sont définis comme suit: μx 3 = [θ Of et Σ
Figure imgf000019_0003
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σy 3 = 3e"2 ; pour la posture marche, (état 4), les paramètres des densités de probabilité sont définis comme suit: μxx,44 = [l lf et
Figure imgf000019_0004
2
Pour la composante hautes fréquences y(n), son paramètre est le suivant: σyA = l,2e"1 ; Ainsi, selon le raisonnement précédemment détaillé, si E(O:N) désigne la série d'états entre l'instant n = O et l'instant n=N, et si D(0:N) désigne les données observées entre l'instant n = O, et l'instant n=N, E(O, N) correspond à la séquence d'états E(O), E(I )... E(N) maximisant l'expression :
p(E(0))p(θ(0)/E(0)) fj P(E(H)/ E(n - 1)) p( Θ(n)/E(n)) (1 )
Selon ce mode de réalisation, θ(n) = {x(n), y(n)}, x(n) et y(n) étant respectivement des composantes dites basses et hautes fréquences du signal S(n) mesuré par deux accéléromètres à l'instant n,
Les densités de probabilités de passage P(étati/étatj) d'un état étati correspondant à une posture du modèle de Markov caché à un autre état étatj correspondant à une posture du modèle de Markov caché sont les suivantes, choisies de manière à assurer une bonne stabilité au système :
Figure imgf000020_0001
La figure 3 illustre un exemple d'enregistrement d'un utilisateur du système du premier exemple, sur le graphique inférieur, et le résultat fourni par le système qui indique que l'utilisateur a été dans la posture assis (état 2) pendant 50 secondes, puis dans la posture de marche (état 4) pendant 85 secondes, puis dans la posture debout (état 1 ) pendant 50 secondes, puis dans la posture de marche (état 4) pendant 61 secondes, puis dans la posture assis (état 2) pendant 8 secondes, puis dans la posture allongé (état 3) pendant 94 secondes, puis dans la posture de marche (état 4) pendant 54 secondes, et enfin finit dans la posture assis (état 2).
Un tel système permet, à coût réduit et avec une précision améliorée, de déterminer l'activité d'un élément mobile. D'une façon générale, le procédé décrit dans l'ensemble de ces modes de réalisation revient à :
0) mesurer le signal S(n) mesuré par au moins un capteur de mouvement, et en déterminer un ensemble θ(n) de grandeurs observées, au cours du temps,
1 ) établir, pour au moins un état E(n) :
- la probabilité d'observer la grandeur θ(n) alors qu'on se trouve dans l'état E(n), notée p(θ(n)/E(n))
- la probabilité de passage d'un état E(n-1 ) à un état E(n), notée
Figure imgf000021_0001
2) établir la probabilité associée à chaque état E(O),
3) déterminer la série d'états la plus probable E(O)....E(N), entre les instants n=0 et n=N, cette série maximisant l'expression :
p(E(0))p(θ(0)/ E(Oj) fi P(E(H)I E(n - Ij) p( Θ(n)/E(nj)
B=I
Selon les cas précédemment décrits, l'ensemble de grandeurs observées θ(n) correspond à une composante haute fréquence, notée y(n), obtenue à partir du signal S(n), autrement dit θ(n) = y(n). L' ensemble de grandeurs observées θ(n) peut également rassembler ladite composante haute fréquence y(n) et une composante x(n), cette dernière représentant une composante basse fréquence de S(n). Dans ce cas, θ{n) = {x(ti), y{n)}

Claims

REVENDICATIONS
1. Système de détermination de l'activité d'un élément mobile (EM), comprenant au moins un capteur de mouvement (CM) à au moins un axe de mesure, muni de moyens de fixation (MF) pour lier solidairement ledit capteur de mouvement (CM) audit élément mobile (EM), caractérisé en ce qu'il comprend :
- un filtre (FILT) pour sélectionner, pour chaque axe de mesure du capteur de mouvement, des hautes fréquences supérieures à un premier seuil (S1 );
- des moyens de détermination (DET) d'une composante hautes fréquences (y(n)) unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement (CM) ; - des moyens de calcul (CALC), pour chaque état, de densités de probabilités (Pyj) de ladite composante hautes fréquences (HF), ladite densité de probabilité correspondant à chaque état suivant une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesure pris en compte du capteur de mouvement (CM) ; et - des moyens d'analyse permettant de définir des états de l'élément mobile, ces moyens d'analyse combinant :
-la densité de probabilité de ladite composante hautes fréquences pour chaque état, -des probabilités de passage entre deux états successifs.
2. Système selon la revendication 1 , dans lequel la densité de probabilité (Pyj) d'obtention de la valeur (y(n)) pour la composante hautes fréquences (HF) est définie, pour chaque état i, par l'expression suivante :
Figure imgf000023_0001
dans laquelle : k représente le degré de liberté de la composante hautes fréquences HF égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement (CM) ; σy H est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy U est la moyenne temporelle de la variable y(n) divisée par k ; et F est la fonction gamma vérifiant F — \ = 4π , r(l) = l et r(z + l) = z T(z)
pour z réel.
3. Système selon la revendication 2, dans lequel, ledit filtre
(FILT) est en outre adapté pour sélectionner, pour chaque axe de mesure du capteur de mouvement (CM), des basses fréquences inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ), formant une composante basses fréquences (BF) de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement (CM).
4. Système selon la des revendications 2 ou 3, dans lequel, la densité de probabilité (P(x(n),y(n))) d'obtention d'un couple de valeurs ((x(n), y(n)) pour la composante basses fréquences (BF) et la composante hautes fréquences (HF), dite densité de probabilité conjointe, est égale au produit de la densité de probabilité (Px) de la composante basses fréquences (BF) et de la densité de probabilité (Py) de la composante hautes fréquences (HF), ladite densité de probabilité de la valeur basse fréquence, lorsque l'élément mobile (EM) est dans l'état i, étant définie par l'expression suivante : ' (I(B)-B, ,I)
Figure imgf000024_0001
dans laquelle : x(n) représente la composante basses fréquences à l'échantillon d'indice n : il s'agit d'un vecteur de dimension q. μx ι représente un vecteur de même dimension que la composante basses fréquences, représentatif de l'état du modèle de Markov caché considéré ; et Σ/| représente la valeur absolue du déterminant d'une matrice ∑ι de covahance, correspondant à l'état i. Lorsque q = 1 , |∑J = σ2i, variance de x(n) pour l'état i.
5. Système selon l'une des revendications précédentes, comprenant des moyens d'affichage (AFF).
6. Système selon l'une des revendications précédentes, dans lequel ledit élément mobile (EM) est un être vivant, humain ou animal.
7. Système selon la revendication 1 ou 2, adapté pour déterminer l'activité de l'élément mobile (EM) parmi deux états, au repos et en mouvement.
8. Système selon l'une des revendications 3 à 7, adapté pour déterminer l'activité de l'élément mobile (EM) parmi un ensemble d'états correspondants à différentes postures.
9. Système selon l'une des revendications précédentes, dans lequel ledit capteur de mouvement (CM) comprend un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre.
10. Procédé de détermination de l'activité d'un élément mobile (EM), à partir de données transmises par au moins un capteur de mouvement (CM) à au moins un axe de mesure lié solidairement audit élément mobile (EM), caractérisé en ce que :
- on sélectionne, pour chaque axe de mesure du capteur de mouvement (CM), des hautes fréquences supérieures à un premier seuil (S1 ) ; - on détermine une composante hautes fréquences (HF) unidimensionnelle égale au carré de la norme euclidienne desdites hautes fréquences des axes de mesure pris en compte du capteur de mouvement (CM) ;
- on calcule la densité de probabilité (Py) de ladite composante hautes fréquences (HF), cette densité de probabilité étant définie par une loi du Chi-2 de degré de liberté égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement (CM) ; et - on détermine des états de l'élément mobile, en combinant :
-la densité de probabilité de ladite composante haute fréquence pour chaque état,
-des probabilités de passage entre deux états successifs.
1 1. Procédé selon la revendication 10, dans lequel la densité de probabilité (Py) d'obtention de la valeur (y(n)) pour la composante hautes fréquences (HF) est définie par l'expression suivante, lorsque l'élément mobile se trouve dans l'état i :
Figure imgf000026_0001
dans laquelle :
k représente le degré de liberté de la composante hautes fréquences égal au nombre d'axes de mesures pris en compte dudit capteur de mouvement ; σy U est une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy H est la moyenne temporelle de la variable y(n) divisée par k ; et
F est la fonction gamma vérifiant r — \ = 4π , r(l) = l et r(z + l) = z r(z)
pour z réel.
12. Procédé selon la revendication 10 ou 1 1 , dans lequel, on sélectionne, pour chaque axe de mesure du capteur de mouvement (CM), des basses fréquences inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ), et on détermine une composante basses fréquences (BF) de dimension égale au nombre d'axes de mesure pris en compte du capteur de mouvement (CM).
13. Procédé selon l'une des revendications 10 à 12, dans lequel, on sélectionne, pour chaque axe de mesure du capteur de mouvement (CM), des basses fréquences inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ), et on détermine une composante basses fréquences représentant une composante basse fréquence du signal mesuré, selon les axes de mesure pris en compte du capteur de mouvement (CM).
PCT/EP2010/055560 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'un element mobile WO2010122172A1 (fr)

Priority Applications (4)

Application Number Priority Date Filing Date Title
US13/266,094 US9489600B2 (en) 2009-04-24 2010-04-26 System and method for determining the activity of a mobile element
JP2012506529A JP2012524578A (ja) 2009-04-24 2010-04-26 可動要素の活動を決定するためのシステム及び方法
CN2010800226262A CN102438522A (zh) 2009-04-24 2010-04-26 用于确定移动元素的活动的***和方法
EP10715837A EP2421437A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'un element mobile

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0952690 2009-04-24
FR0952690 2009-04-24

Publications (1)

Publication Number Publication Date
WO2010122172A1 true WO2010122172A1 (fr) 2010-10-28

Family

ID=41323440

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/055560 WO2010122172A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'un element mobile

Country Status (6)

Country Link
US (1) US9489600B2 (fr)
EP (1) EP2421437A1 (fr)
JP (1) JP2012524578A (fr)
KR (1) KR20120016236A (fr)
CN (2) CN104036283A (fr)
WO (1) WO2010122172A1 (fr)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012187162A (ja) * 2011-03-09 2012-10-04 Hitachi Ltd 臥位推定装置、臥位推定システム及び臥位推定方法
EP2835769A1 (fr) 2013-08-05 2015-02-11 Movea Procédé, dispositif et système de capture annotée de données de capteurs et de modélisation de la foule d'activités

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103115783B (zh) * 2013-01-18 2015-12-09 浙江吉利汽车研究院有限公司杭州分公司 一种有线控制爆胎模拟装置
CN104076392B (zh) * 2014-05-28 2015-04-22 中国矿业大学(北京) 基于网格搜索和牛顿迭代的微震震源定位联合反演方法
JP6684834B2 (ja) * 2015-08-19 2020-04-22 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 口腔清掃装置の位置特定のための方法及びシステム
KR102324546B1 (ko) * 2020-01-02 2021-11-10 우주라컴퍼니 주식회사 가속도 센서에 기반한 고양이의 동작 분석 방법
EP4346582A2 (fr) * 2021-05-23 2024-04-10 Mellodge, Patricia, A. Appareil et procédé de mesure de changements progressifs dans une commande posturale partielle

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050234309A1 (en) * 2004-01-07 2005-10-20 David Klapper Method and apparatus for classification of movement states in Parkinson's disease
US20060064037A1 (en) * 2004-09-22 2006-03-23 Shalon Ventures Research, Llc Systems and methods for monitoring and modifying behavior
US20070276278A1 (en) * 2003-04-10 2007-11-29 Michael Coyle Systems and methods for monitoring cough
US20080004904A1 (en) * 2006-06-30 2008-01-03 Tran Bao Q Systems and methods for providing interoperability among healthcare devices

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3769938B2 (ja) * 1998-03-10 2006-04-26 日産自動車株式会社 レーンキープシステム
WO2005002436A1 (fr) * 2003-07-01 2005-01-13 Queensland University Of Technology Systeme de surveillance et analyse de mouvement
US20080188775A1 (en) * 2004-07-03 2008-08-07 Peter Schneider Force Evaluating Device and a Force Evaluating Method for Determining Balance Characteristics
JP5028751B2 (ja) * 2005-06-09 2012-09-19 ソニー株式会社 行動認識装置
JP2007310707A (ja) * 2006-05-19 2007-11-29 Toshiba Corp 姿勢推定装置及びその方法
US20090021858A1 (en) * 2007-07-17 2009-01-22 Guoyi Fu Hard Disk Drive Protection System Based on Adaptive Thresholding
US20090137933A1 (en) * 2007-11-28 2009-05-28 Ishoe Methods and systems for sensing equilibrium

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070276278A1 (en) * 2003-04-10 2007-11-29 Michael Coyle Systems and methods for monitoring cough
US20050234309A1 (en) * 2004-01-07 2005-10-20 David Klapper Method and apparatus for classification of movement states in Parkinson's disease
US20060064037A1 (en) * 2004-09-22 2006-03-23 Shalon Ventures Research, Llc Systems and methods for monitoring and modifying behavior
US20080004904A1 (en) * 2006-06-30 2008-01-03 Tran Bao Q Systems and methods for providing interoperability among healthcare devices

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
DAUBNEY B ET AL: "Estimating Gait Phase using Low-Level Motion", MOTION AND VIDEO COMPUTING, 2008. WMVC 2008. IEEE WORKSHOP ON, IEEE, PISCATAWAY, NJ, USA, 8 January 2008 (2008-01-08), pages 1 - 6, XP031273540, ISBN: 978-1-4244-2000-1 *
PFAU ET AL: "A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data", JOURNAL OF BIOMECHANICS, PERGAMON PRESS, NEW YORK, NY, US, vol. 41, no. 1, 19 December 2007 (2007-12-19), pages 216 - 220, XP022394764, ISSN: 0021-9290 *
THILO PFAU; MARTA FERRARI; KEVIN PARSONS; ALAN WILSON: "A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data", JOURNAL OF BIOMECHANICS, vol. 41, 2008, pages 216 - 220

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012187162A (ja) * 2011-03-09 2012-10-04 Hitachi Ltd 臥位推定装置、臥位推定システム及び臥位推定方法
EP2835769A1 (fr) 2013-08-05 2015-02-11 Movea Procédé, dispositif et système de capture annotée de données de capteurs et de modélisation de la foule d'activités

Also Published As

Publication number Publication date
KR20120016236A (ko) 2012-02-23
US20120158351A1 (en) 2012-06-21
CN104036283A (zh) 2014-09-10
EP2421437A1 (fr) 2012-02-29
JP2012524578A (ja) 2012-10-18
US9489600B2 (en) 2016-11-08
CN102438522A (zh) 2012-05-02

Similar Documents

Publication Publication Date Title
EP2421436A1 (fr) Systeme et procede de determination de la posture d'une personne
WO2010122172A1 (fr) Systeme et procede de determination de l'activite d'un element mobile
EP1492998B1 (fr) Dispositif de capture des mouvements de rotation d un solide
JP5976799B2 (ja) センサを利用したアスレチック活動測定方法
US10302434B2 (en) Method and apparatus for determining walking direction for a pedestrian dead reckoning process
FR2943236A1 (fr) Procede de surveillance d'un parametre biologique d'une personne au moyen de capteurs
FR2950713A1 (fr) Systeme et procede de reconnaissance de gestes
EP3381367A1 (fr) Procédé et dispositif de calibration d'un capteur inertiel ou magnétique à trois axes de sensibilité
EP2768389A1 (fr) Procédé de détection d'activité à capteur de mouvements, dispositif et programme d'ordinateur correspondants
CN110461215A (zh) 使用便携式设备确定健康标志
EP3305186B1 (fr) Procédé et système de surveillance de stress d'un utilisateur
FR2943234A1 (fr) Procede de surveillance d'un parametre biologique d'un occupant d'un siege avec reduction de bruit
EP3408612B1 (fr) Procede d'estimation de l'activite physique d'un membre superieur
EP2467061B1 (fr) Systeme et procede de detection de crise d'epilepsie d'une personne epileptique allongee
EP3655724B1 (fr) Procédé d'estimation du mouvement d'un objet évoluant dans un champ magnétique
WO2015121503A1 (fr) Procédé et système de surveillance du système nerveux autonome d'un sujet
WO2012062997A1 (fr) Dispositif de détection à capteur, procédé de détection et programme d'ordinateur correspondants
EP2421438A1 (fr) Systeme et procede de determination de l'activite d'une personne allongee
EP2271946B1 (fr) Dispositif de detection d'evenement de percussion, et systeme mobile associe
FR3051931A1 (fr) Determination d'un contexte de mobilite d'un utilisateur porteur d'un equipement muni de capteurs inertiels
EP3631647B1 (fr) Procede d'estimation de la position d'un aimant comportant une phase d'identification d'un perturbateur magnetique
EP2234003B1 (fr) Procédé d'identification d'un axe de rotation unique d'un mouvement de rotation
WO2024105342A1 (fr) Procede d'estimation d'une trajectoire d'un point d'interet
US20230172490A1 (en) System and method for unsupervised monitoring in mobility related disorders
FR2977353A1 (fr) Traitement de donnees pour l'identification de posture

Legal Events

Date Code Title Description
WWE Wipo information: entry into national phase

Ref document number: 201080022626.2

Country of ref document: CN

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 10715837

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2012506529

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20117026766

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 2010715837

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13266094

Country of ref document: US