WO2010122173A1 - Systeme et procede de determination de l'activite d'une personne allongee - Google Patents

Systeme et procede de determination de l'activite d'une personne allongee Download PDF

Info

Publication number
WO2010122173A1
WO2010122173A1 PCT/EP2010/055561 EP2010055561W WO2010122173A1 WO 2010122173 A1 WO2010122173 A1 WO 2010122173A1 EP 2010055561 W EP2010055561 W EP 2010055561W WO 2010122173 A1 WO2010122173 A1 WO 2010122173A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
activity
variable
motion sensor
hidden markov
Prior art date
Application number
PCT/EP2010/055561
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 US13/266,100 priority Critical patent/US8898041B2/en
Priority to EP10717610A priority patent/EP2421438A1/fr
Publication of WO2010122173A1 publication Critical patent/WO2010122173A1/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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/48—Other medical applications
    • A61B5/4806—Sleep evaluation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing

Definitions

  • the present invention provides a system and method for determining the activity of an elongated person.
  • An object of the invention is to allow to determine the activity of a person lying down.
  • a system for determining the activity of an elongate person comprising at least one motion sensor with at least one measurement axis, provided with fixing means for integrally binding said sensor motion to a user, the motion sensor producing a time signal S (n).
  • the system includes:
  • a filter for selecting, for at least one measurement axis of the motion sensor, a high frequency signal and a low frequency signal
  • analysis means adapted to determine an activity of an elongated user as a function of time by using a hidden Markov model with N states corresponding respectively to N activities, these analysis means being adapted to combine: - joint probability densities of a first and second variable, these density of probabilities being defined for each state of the considered model, and
  • the probability densities associated with each state comprise the product of at least a first probability density of said first variable by at least a second probability density associated with said second variable.
  • 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.
  • Such a system makes it possible to determine the activity of a person lying down, with precision and at a reduced cost.
  • a joint probability density comprises a product of at least one probability density of obtaining the first variable and at least one probability density of obtaining the second variable, said probability densities. being defined by the following expressions:
  • P BF (X) is the probability density of the first variable x corresponding to the state under consideration
  • P HF (Y) is the probability density of the second variable y corresponding to the considered state
  • 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)
  • ⁇ x represents a square root of the vahance of the first variable x, in the state of the hidden Markov model considered
  • ⁇ y represents a square root of the vahance of the second variable y in the state of the hidden Markov model considered
  • ⁇ y ⁇ being a quantity proportional to the time average of the variable y (n), in state i.
  • ⁇ ⁇ is the time average of the variable y (n) divided by k.
  • said analysis means are adapted to determine elongated user activity, as a function of time using a hidden Markov model at at most five states among a rest activity, a small agitation activity. , tremor activity, agitation activity, and high agitation activity.
  • a hidden Markov model at at most five states among a rest activity, a small agitation activity. , tremor activity, agitation activity, and high agitation activity.
  • said analysis means are adapted to determine an elongated user's activity, from a set of predetermined pairs of values of first and second variances, defining classes of movement.
  • the observed process of the hidden Markov model is the multidimensional signal (x ( ⁇ ), y ( ⁇ )), whose joint probability density depends on the state (the hidden process) at a given moment.
  • the joint probability density of the observed signal is defined by the following relation:
  • a state J is a weighting coefficient for modeling a state by several elementary movements. This coefficient of determination is determined experimentally.
  • P ⁇ Em ⁇ , y also denoted Pi (x (n), y (n)) represents the probability density associated with the state i, at the instant n, of x (n) and y (n) . It comprises the product of the previously defined probability densities P x ⁇ (x (n)) and P y ⁇ (y (n)).
  • said pairs of values of first and second vahances are adapted to comply with the following conditions:
  • the number of defined elementary movements can describe most of the movements of an elongated person and remains small enough to allow real-time treatments.
  • said real coefficients are defined by the following table:
  • the estimated sequence of states E (0: N) is the one with the highest probability.
  • P (E (O)) denotes the probability associated with the initial state E (O).
  • One can for example choose an equiprobable distribution of each of the possible states when n 0.
  • p (E (n) / E (n -I)) represents the probability of being in a state E (n) at the instant while one was in a state E (n-1) in the moment n-1.
  • the series of states E (O) ... E (N) maximizing the expression (1 ) can be obtained using for example the Vitterbi algorithm, well known to those skilled in the art. So,
  • ⁇ (n) ⁇ x (n), y (n) ⁇ , x (n) and y (n) are respectively low and high frequency components of the signal S (n) measured by the motion sensor at the moment n.
  • the probabilities P, of said hidden Markov model, of passage between two successive states respectively representing a type of posture are such that:
  • the system comprises display means.
  • a visualization of the results can be performed in real time or in deferred time.
  • said motion sensor comprises an accelerometer, and / or a magnetometer, and / or a gyrometer.
  • the system comprises fastening means adapted to be fixed to the wrist, torso or head of the person.
  • a first variable representing, between a temporal variation, at least one measurement axis, said low frequencies is calculated
  • a second variable is calculated that is equal to, at least the measurement axis, said high frequencies.
  • a sequence of states is determined by combining:
  • the joint probability densities are established by determining, for each state:
  • first probability densities of a first value and second probability densities of a second value.
  • FIG. 1 and 2 illustrate a system, according to one aspect of the invention
  • FIG. 3 illustrates an exemplary recording of a system according to one aspect of the invention.
  • FIG. 1 illustrates a system for determining the posture of a person comprising at least one CM motion sensor at less a measuring axis, provided with fastening means comprising for example a resilient element, for integrally bonding the motion sensor CM to a user.
  • the CM motion sensor can be, an accelerometer, a magnetometer, or a gyrometer, with one, two, or three measurement axes.
  • the system comprises a FILT filter for selecting, for each measurement axis of the CM motion sensor, high RF frequencies higher than a first threshold S1, and low frequencies below a second threshold S2 less than or equal to the first threshold S1.
  • the system also comprises a first module for calculating a first value x representing the variation, between two different instants, and for example successive, according to at least one measurement axis, of said low frequencies BF.
  • the system also comprises a second calculation module CALC2 of a second value y equal to the average of the variances, according to each measurement axis, of the high frequencies HF.
  • an SG * (n) estimate of SG (n) is obtained.
  • SP * (n) S (n) - SG * (n)
  • x (n) representing a variation of the signal SG * between different instants, and for example successive ones, that is to say SG * (n-1 ) and
  • x (n) represents a temporal variation of the low frequency signal of the accelerometer.
  • x (n) ⁇ SG k * (n) - SG k * (n - 1)
  • the index k representing the axis (or axes) according to which the component Sk (n) of the signal S (n) has been measured.
  • y (n) ⁇ SP * (n) f, this norm being calculated by considering one or more axes.
  • y (n) comprises the average of the variances, according to at least measurement axis, of the measured high frequency signal.
  • AN analysis means make it possible to determine an activity of an elongated user as a function of time by using a hidden Markov model with N states corresponding respectively to N activities.
  • k representing 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);
  • ⁇ x representing a square root of the variance of the first variable x, in the state of the hidden Markov model considered;
  • ⁇ yt ⁇ being a quantity proportional to the time average of the variable y (n), in the state i.
  • the system also includes an AFF display screen.
  • the system includes an accelerometer with a measurement axis and a fastener for attaching the accelerometer to the wrist of the user.
  • the AN analysis means are adapted to determine an elongated user's activity as a function of time using a hidden Markov model at at most five states among a rest activity, a small agitation activity, a tremor activity , a stirring activity, and a high agitation activity.
  • the analysis means AN are adapted to determine an activity of the elongated user, from a set of predetermined pairs of values of first and second variances, defining motion classes.
  • the pairs (( ⁇ jm ⁇ ⁇ jn])) of values of first and second variances are adapted to meet the following conditions:
  • the analysis means AN are adapted to determine the probability density of an iState state of the hidden Markov model by the following relation:
  • J O
  • the probabilities P, of said hidden Markov model, of passage between two states respectively representing a type of posture are such that:
  • the motion sensor CM may comprise an accelerometer, and / or a magnetometer, and / or a gyrometer.
  • FIG. 2 illustrates an embodiment variant, in which, unlike the embodiment of FIG. 1, for which the motion sensor CM and the other elements are included in a box BT, elements of the system can be outsourced, for example in a laptop OP.
  • the analysis module AN determines, from the input signals and the hidden Markov model as defined, the sequence of states (postures) most likely, according to conventional methods, for example by calculating for the whole sequences of possible states the associated probability taking into account the observed signal and keeping the most probable sequence, as described for example in the document "An introduction to hidden Markov models” LR Rabiner and BH Juang, IEEE ASSP Magazine,
  • Figure 3 illustrates an example of a user registration of a system of Figures 1 and 2, including a triaxial accelerometer, and the result provided by the system.
  • This recording portion of an elongated user was performed over a period of about ten minutes.
  • the system indicates that the elongated user was in a resting activity (IEi) from 6h 04min 53s to 6h 05min 18s, in a tremor activity (state3) from 6h 05min 18s to 6h 07min 57s, in a rest activity ( etati) from 6h 07min 57s to 6h 08min 10s, in a stirring activity
  • the present invention makes it possible, at reduced cost and with improved accuracy, to determine in real time or deferred the posture of a person, by accurately determining the changes in posture.
  • Such an invention makes it possible to analyze the activity of a sleeping person, or to detect a nocturnal epileptic seizure, with improved accuracy and reduced cost.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Neurology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Neurosurgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Psychiatry (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)

Abstract

Le système de détermination de l'activité d'une personne allongée, 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) à un utilisateur, caractérisé en ce qu'il comprend: - un filtre (FILT) pour sélectionner, pour au moins un axe de mesure du capteur de mouvement (CM), un signal de hautes fréquences (HF) et un signal de basse fréquence (BF); - des premiers moyens de calcul (CALC1 ) d'une première variable (x(n)) représentant une variation temporelle du signal de basse fréquence (BF); - des deuxièmes moyens de calcul (CALC2) d'une deuxième variable (y(n)) comprenant la norme euclidienne, selon au moins un axe de mesure du signal de haute fréquence (HF); et - des moyens d'analyse (AN) adaptés pour déterminer une activité d'un utilisateur allongé en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N activités, lesdits moyens d'analyse (AN) étant adaptés pour combiner: - des densités de probabilités conjointes d'une première et deuxième variables, ces densités de probabilités étant définies pour chaque état du modèle considéré, et - des probabilités de passage entre deux états successifs.

Description

SYSTEME ET PROCEDE DE DETERMINATION DE L'ACTIVITE D'UNE
PERSONNE ALLONGEE
La présente invention porte sur un système et un procédé de détermination de l'activité d'une personne allongée.
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.
Un but de l'invention est de permettre de déterminer l'activité d'une personne allongée.
Selon un aspect de l'invention, il est proposé un système de détermination de l'activité d'une personne allongée, 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 à un utilisateur, le capteur de mouvement produisant un signal temporel S(n). Le système comprend :
- un filtre pour sélectionner, pour au moins un axe de mesure du capteur de mouvement, un signal de haute fréquence et un signal de basse fréquence,
- des premiers moyens de calcul d'une première variable x(n), représentant une variation temporelle du signal de basse fréquence,
- des deuxièmes moyens de calcul d'une deuxième variable y(n), comprenant la norme euclidienne, selon au moins un axe de mesure, du signal de haute fréquence, et
- des moyens d'analyse adaptés pour déterminer une activité d'un utilisateur allongé en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N activités, ces moyens d'analyse étant adaptés pour combiner : - des densités de probabilités conjointes d'une première et deuxième variables, ces densités de probabilités étant définies pour chaque état du modèle considéré, et
- des probabilités de passage entre deux états successifs.
Selon un mode de réalisation préféré, les densités de probabilité associées à chaque état comprennent le produit d'au moins une première densité de probabilité de ladite première variable par une au moins une deuxième densité de probabilité associée à ladite seconde variable. 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 cet aspect de l'invention, l'état prend des valeurs discrètes.
Un tel système permet de déterminer l'activité d'une personne allongée, avec précision et à coût réduit.
Dans un mode de réalisation, une densité de probabilité conjointe comprend un produit d'au moins une densité de probabilité d'obtention de la première variable et d'au moins une densité de probabilité d'obtention de la deuxième variable, lesdites densités de probabilité étant définies par les expressions suivantes :
Figure imgf000004_0001
dans lesquelles : PBF(X) est la densité de probabilité de la première variable x correspondant à l'état considéré ; PHF(Y) est la densité de probabilité de la deuxième variable y correspondant à l'état considéré ; 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) ; σx représente une racine carrée de la vahance de la première variable x, dans l'état du modèle de Markov caché considéré ; σy représente une racine carrée de la vahance de la deuxième variable y dans l'état du modèle de Markov caché considéré ; et F est la fonction gamma vérifiant r — \ = 4π , r(l) = l et
Figure imgf000005_0001
Ainsi, pour chaque état i, on définit des densités de probabilités Pxj (n) et Pyj(n), telles que
Figure imgf000005_0002
σy ;\ étant une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σ^ est la moyenne temporelle de la variable y(n) divisée par k.
Ainsi, les densités de probabilités réelles des signaux observés sont approximées par des densités de probabilités globalement adaptées à la plupart des mouvements. Dans un mode de réalisation, lesdits moyens d'analyse sont adaptés pour déterminer une activité de l'utilisateur allongé, en fonction du temps en utilisant un modèle de Markov caché à au plus cinq états parmi une activité de repos, une activité de petite agitation, une activité de tremblements, une activité d'agitation, et une activité de forte agitation. 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.
Selon un mode de réalisation, lesdits moyens d'analyse sont adaptés pour déterminer une activité de l'utilisateur allongé, à partir d'un ensemble de couples prédéterminés de valeurs de première et deuxième variances, définissant des classes de mouvement.
Ainsi, le processus non observé ou état du modèle de Markov caché est un processus de Markov d'ordre 1 discret prenant des valeurs dans l'ensemble {0,1,2,3,4}. Il est caractérisé par les probabilités de passage ou de transition d'un état à un autre : p(Etat = j\Etat = i).
Le processus observé du modèle de Markov caché est le signal multidimensionnel (x(ή), y(ή)) , dont la densité de probabilité conjointe dépend de l'état (le processus caché) à un instant donné. Ainsi, pour chaque état, la densité de probabilité conjointe du signal observé est définie par la relation suivante :
P{x(n) , y(n)\Etat = i) = PιEm {x(n) , y(n)) = ∑ ∑tf!βflf,m+(ffW+1)n Px(σMMn))Py(σ u){y(n))
B=O »1=0
dans laquelle aιEtat J est un coefficient de pondération permettant de modéliser un état par plusieurs mouvements élémentaires. Ce coefficient de détermination est déterminé de façon expérimentale.
PιEm{χ, y) , également notée Pi(x(n),y(n)) représente la densité de probabilité associée à l'état i , à l'instant n, de x(n) et y(n). Elle comprend le produit des densités de probabilités Px ι (x(n)) et Py ι (y(n)) précédemment définies.
Si on considère un ensemble de données observées θ(n), rassemblant les données observées x(n) et y(n), on peut écrire que Pι(x(n),y(n))=Pi(θ(n)= p(θ(n)/E(n) = i) , E(n) représentant l'état à l'instant n.
P(X, y\Etat = i) étant une densité de probabilité, la condition suivante doit être réalisée par les coefficients de pondération :
«ma, »W
/ , 2—1 lEtat ,m+(mmaI +l)n "" ^ «=0 m=0 L'utilisation de telles classes, permet de définir, pour chaque couple de classes de mouvement, un mouvement élémentaire. Un état du modèle peut alors être décrit par plusieurs mouvements élémentaires.
Dans un mode de réalisation, lesdits couples de valeurs de première et deuxième vahances sont adaptés pour respecter les conditions suivantes :
Figure imgf000007_0001
_ ≤ 10 m_ < 10
«max X "W >6
Ainsi, le nombre de mouvements élémentaires définis permet de décrire la plupart des mouvements d'une personne allongée et reste suffisamment petit pour permettre des traitements en temps réel.
Dans un mode de réalisation, lesdites classes de mouvement sont au nombre de dix-huit et sont définies par : σj0] = 5.10-3 , σJl] = l,8.10-2, σx[2] = 3,5.10-2 , σ;c[3] = 5.,510-2 , σ;c [4] = 8.10-2 , σx[5] = 1.10-\ σy[0] = 1.10-2 , σJl] = 3.10-\ σj2] = 8.10-2 Ces valeurs sont particulièrement bien adaptées à la détermination d'activité d'une personne allongée.
Selon un mode de réalisation, lesdits coefficients réels sont définis par le tableau suivant :
Figure imgf000007_0002
Figure imgf000008_0001
Figure imgf000009_0001
Ces valeurs sont particulièrement bien adaptées à la détermination d'activité d'une personne allongée.
A chaque instant n, on peut alors déterminer un état de la personne, connaissant Pj(x(n),y(n)) par l'expression : E(n) = arg max(Px ι (x(n))Py ι (y(n)) = arg HIaX(P1 (x(n), y(n))
dans laquelle la fonction arg max représente argument maximum. Si, à l'instant n, la personne se trouve dans l'état i, E(n) = i. 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 à priori, et par exemple de l'état E(n-1 ) déterminé durant l'instant n-1. Considérons la grandeur θ(n), rassemblant les données observées x(n) et y(n), on peut écrire que Pi(x(n),y(n))=Pi(θ(n)=
Figure imgf000010_0001
= /) , Ε(n) représentant l'état à l'instant n. Si Ε(0:N) désigne la série d'états entre l'instant n = O et l'instant n=N, et si Θ(O:N) désigne les données observées entre l'instant n = O et l'instant n=N, la probabilités de la séquence d'états Ε(0:N) correspondante à la séquence d'états E(O), E(I )... E(N) s'écrit:
p(E(0 : N)\θ(0 - N -I)) a p(E(0))p(θ(0)/E(0)) f[ p(E(n)/E(n - V)) p( Θ(n)/E(n))
B=I 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 imgf000010_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 pourra utiliser avantageusement un algorithme de Viterbi pour estimer cette séquence.
P(E(O))désigne la probabilité associé à l'état initial E(O). On peut par exemple 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 -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(x(n),y(n)) avec E(n)=i.
Les probabilités p(E(ή)/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 le 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 Vitterbi, 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 imgf000011_0001
2) en établissant la probabilité associée à chaque état E(O), 3) en obtenant des grandeurs 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).
On rappelle que dans la description, θ(n) = {x(n), y(n)}, x(n) et y(n) sont respectivement des composantes dites basse et haute fréquence du signal S(n) mesuré par le capteur de mouvement à l'instant n.
Dans un mode de réalisation, les probabilités P, dudit modèle de Markov caché, de passage entre deux états successifs représentant respectivement un type de posture sont telles que :
Figure imgf000012_0001
Ces valeurs sont particulièrement bien adaptées à la détermination d'activité d'une personne allongée.
Selon un mode de réalisation, le système comprend des moyens d'affichage.
Ainsi, une visualisation des résultats peut être effectuée en temps réel ou en temps différé.
Dans un mode de réalisation, ledit capteur de mouvement comprend un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre. Selon un mode de réalisation, le système comprend des moyens de fixations adaptés pour être fixés au poignet, au torse, ou à la tête de la personne.
Il est également proposé, selon un autre aspect de l'invention, un procédé de détermination de l'activité d'une personne allongée, dans lequel on :
- on filtre, pour sélectionner, pour chaque axe de mesure d'un capteur de mouvement, des hautes fréquences supérieures à un premier seuil, et des basses fréquences inférieures à un deuxième seuil inférieur ou égal audit premier seuil ;
- on calcule une première variable représentant, entre une variation temporelle, selon au moins axe de mesure, desdites basses fréquences ;
- on calcule une deuxième variable égale à norme, selon au moins axe de mesure, desdites hautes fréquences ; et
- on détermine une séquence d'états en combinant :
- des densités de probabilités conjointes d'une première et deuxième valeurs, ces densités de probabilités étant définies pour chaque état, et - des probabilités de passage entre deux états successifs.
Selon un mode de réalisation préféré, les densités de probabilité conjointes sont établies en déterminant, pour chaque état :
- des premières densités de probabilité d'une première valeur, et - des deuxièmes densités de probabilité d'une seconde valeur.
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 et 2 illustrent un système, selon un aspect de l'invention ; et - la figure 3 illustre un exemple d'enregistrement d'un système selon un aspect de l'invention.
La figure 1 illustre un système de détermination de la posture d'une personne comprenant au moins un capteur de mouvement CM à au moins un axe de mesure, muni de moyens de fixation comprenant par exemple un élément élastique, pour lier solidairement le capteur de mouvement CM à un utilisateur. 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 HF supérieures à un premier seuil S1 , et des basses fréquences inférieures à un deuxième seuil S2 inférieur ou égal au premier seuil S1. Le système comprend également un premier module de calcul d'une première valeur x représentant la variation, entre deux instants différents, et par exemple successifs, selon au moins un axe de mesure, desdites basses fréquences BF.
Le système comprend également un deuxième module de calcul CALC2 d'une deuxième valeur y égale à la moyenne des variances, selon chaque axe de mesure, des hautes fréquences HF.
L'établissement, à chaque instant (n), de la première valeur x(n) et de la deuxième valeur y(n) est plus précisément expliqué ci-dessous.
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), représentant la projection du champ gravitationnel, et SP(n) représentant 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 première valeur, ou composante basse fréquence, et notée x(n), représentant une variation du signal SG*entre des instants différents, et par exemple successifs, c'est-à-dire SG*(n-1 ) et
SG*(n). Ainsi, on peut dire que x(n) représente une variation temporelle du signal basse fréquence de l'accéléromètre. On peut avantageusement choisir : x(n) = ^ SGk * (n) - SGk * (n - 1) ,
l'indice k représentant l'axe (ou les axes) selon lequel on a mesuré la composante Sk(n) du signal S(n).
On peut déterminer x(n) en n'utilisant qu'une seule composante (par exemple l'axe vertical), ou plusieurs composantes Sk(n) du signal S(n).
On peut également définir une deuxième valeur, ou composante haute fréquence y(n) du signal S(n), cette composante étant déterminée à partir de SP*(n). Selon un mode préféré, y(n) = \\SP * (n)f , cette norme étant calculée en considérant un ou plusieurs axes.
Ainsi, on peut dire que y(n) comprend la moyenne des variances, selon au moins axe de mesure, du signal haute fréquence mesuré.
Des moyens d'analyse AN permettent de déterminer une activité d'un utilisateur allongé en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N activités.
Ainsi, pour chaque état i, on définit des densités de probabilités Pxj (n) et
Py,i(n), telles que
Figure imgf000015_0001
k représentant 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) ; σx représentant une racine carrée de la variance de la première variable x, dans l'état du modèle de Markov caché considéré ; σy t\ étant une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, σy !1 est la moyenne temporelle de la variable y(n) divisée par k ; et r étant la fonction gamma vérifiant r - \ = 4π , r(l) = l et
Figure imgf000016_0001
Le système comprend également un écran d'affichage AFF. Par exemple, le système comprend un accéléromètre à un axe de mesure et un élément de fixation pour fixer l'accéléromètre au niveau du poignet de l'utilisateur.
Les moyens d'analyse AN sont adaptés pour déterminer une activité de l'utilisateur allongé, en fonction du temps en utilisant un modèle de Markov caché à au plus cinq états parmi une activité de repos, une activité de petite agitation, une activité de tremblements, une activité d'agitation, et une activité de forte agitation.
Les moyens d'analyse AN sont adaptés pour déterminer une activité de l'utilisateur allongé, à partir d'un ensemble de couples prédéterminés de valeurs de
Figure imgf000016_0002
première et deuxième variances, définissant des classes de mouvement.
Figure imgf000016_0003
Par exemple, les couples ((σjm^σjn])) de valeurs de première et deuxième variances sont adaptés pour respecter les conditions suivantes :
Figure imgf000016_0004
Les moyens d'analyse AN sont adaptés pour déterminer la densité de probabilité d'un état iEtat du modèle de Markov caché par la relation suivante :
P1EIaI (* > ^ - Σ Σ aŒtat ,m+(mmm +1)» PBF(σx [m]) U) PHF{σγ [„]) G) n=0 m=0 dans laquelle : aιEtat,] est u n coefficient réel compris entre 0 et 1 ;
Jmax
∑a >Etat,j = 1 et ;„ = Im1112x +I)(^x +I)-I
J=O Les classes de mouvement sont, par exemple, au nombre de dix- huit et sont définies par : σJθ] = 5.1O-3,σ;c[l] = l,8.1O-2,σx[2] = 3,5.1O-2,σ;c[3] = 5.,51O-2,σ;c[4] = 8.1O-2, σΛ [5I = LlO-1, σy[θ] = l.Kr2,σJl] = 3.1(r2,σj2] = 8.1(r2.
Les coefficients réels aιEtat] sont définis par le tableau suivant :
Figure imgf000017_0001
Figure imgf000018_0001
Figure imgf000019_0001
Les probabilités P, dudit modèle de Markov caché, de passage entre deux états représentant respectivement un type de posture sont telles que :
Figure imgf000019_0002
Etatδ O .007 0. 0010 0. 0010 0. 0010 0.99
(forte agitation)
Par exemple, le capteur de mouvement CM peut comprendre un accéléromètre, et/ou un magnétomètre, et/ou un gyromètre.
La figure 2 illustre une variante de réalisation, dans laquelle, contrairement à l'exemple de réalisation de la figure 1 , pour lequel le capteur de mouvement CM et les autres éléments sont compris dans un boitier BT, des éléments du système peuvent être externalisés, par exemple dans un ordinateur portable OP.
Le module d'analyse AN détermine, à partir des signaux d'entrée et du modèle de Markov caché tel que défini, la séquence d'états (postures) la plus probable, 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".
La figure 3 illustre un exemple d'enregistrement d'un utilisateur d'un système des figures 1 et 2, comprenant un accéléromètre triaxial, et le résultat fourni par le système.
Cette portion d'enregistrement d'un utilisateur allongé a été effectuée sur une durée d'une dizaine de minutes.
Le système indique que l'utilisateur allongé a été dans une activité de repos (étati ) de 6h 04min 53s à 6h 05min 18s, dans une activité de tremblements (état3) de 6h 05min 18s à 6h 07min 57s, dans une activité de repos (étati ) de 6h 07min 57s à 6h 08min 10s, dans une activité d'agitation
(état4) de 6h 08min 10s à 6h 08min 22s, dans une activité de repos (étati ) de 6h 08min 22s à 6h 08min 32s, dans une activité de tremblements (état3) de 6h 08min 32s à 6h 08min 57s, dans une activité d'agitation (état4) de 6h
08min 57s à 6h 09min 33s, dans une activité petite agitation (état2) de 6h 09min 33s à 6h 09min 47s, dans une activité de repos (étati ) de 6h 09min 47s à 6h 1 1 min 49s, dans une activité d'agitation (état4) de 6h 1 1 min 49s à 6h 13min 07s, dans une activité de repos (étati ) de 6h 13min 07s à 6h 13min 19s, dans une activité d'agitation (état4) de 6h 13min 19s à 6h 13min 35s, dans une activité de repos (étati ) de 6h 13min 35s à 6h 14min 22s, dans une activité de tremblements (état3) de 6h 14min 22s à 6h 14min 59s, dans une activité d'agitation (état4) de 6h 14min 59s à 6h 15min 18s, et dans une activité de repos (étati ) de 6h 15min 18s à 6h 15min 40s.
La présente invention permet, à coût réduit et avec une précision améliorée, de déterminer en temps réel ou en différé la posture d'une personne, en déterminant avec précision les changements de posture. Une telle invention permet d'analyser l'activité d'une personne endormie, ou de détecter une crise d'épilepsie nocturne, avec une précision améliorée et à coût réduit.

Claims

REVENDICATIONS
1 . Système de détermination de l'activité d'une personne allongée, 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) à un utilisateur, caractérisé en ce qu'il comprend :
- un filtre (FILT) pour sélectionner, pour au moins un axe de mesure du capteur de mouvement (CM), un signal de hautes fréquences (HF) et un signal de basse fréquence (BF) ; ,
- des premiers moyens de calcul (CALC1 ) d'une première variable (x(n)) représentant une variation temporelle du signal de basse fréquence (BF) ;
- des deuxièmes moyens de calcul (CALC2) d'une deuxième variable (y(n)) comprenant la norme euclidienne, selon au moins un axe de mesure du signal de haute fréquence (HF) ; et
- des moyens d'analyse (AN) adaptés pour déterminer une activité d'un utilisateur allongé en fonction du temps en utilisant un modèle de Markov caché à N états correspondant respectivement à N activités, lesdits moyens d'analyse (AN) étant adaptés pour combiner :
- des densités de probabilités conjointes d'une première et deuxième variables, ces densités de probabilités étant définies pour chaque état du modèle considéré, et
- des probabilités de passage entre deux états successifs.
2. Système selon la revendication 1 , dans lequel, les densités de probabilité (P(x,y)) associées à chaque état (i) comprennent le produit d'au moins une première densité de probabilité de ladite première variable (x) par une au moins une deuxième densité de probabilité associée à ladite seconde variable (y).
3. Système selon la revendication 2, dans lequel une densité de probabilité (P(x,y)) conjointe comprend un produit d'au moins une densité de probabilité (Pxj(n)) d'obtention de la première variable (x) et d'au moins une densité de probabilité (Pyj(n)) d'obtention de la deuxième variable (y), lesdites densités de probabilité (Pxj(n), Py,i(n)) sont définies par les expressions suivantes :
Figure imgf000023_0001
dans lesquelles : k représentant 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) ; σx représentant une racine carrée de la variance de la première variable x, dans l'état du modèle de Markov caché considéré ; σy ,\ étant une grandeur proportionnelle à la moyenne temporelle de la variable y(n), dans l'état i. Par exemple, cr,, ,, est la moyenne temporelle de la variable y(n) divisée par k ; et r étant la fonction gamma vérifiant r — \ = 4π , r(l) = l et
Figure imgf000023_0002
4. Système selon l'une des revendications précédentes, dans lequel lesdits moyens d'analyse (AN) sont adaptés pour déterminer une activité de l'utilisateur allongé, en fonction du temps en utilisant un modèle de Markov caché à au plus cinq états parmi une activité de repos (étati ), une activité de petite agitation (état2), une activité de tremblements (état3), une activité d'agitation (état4), et une activité de forte agitation (étatδ).
5. Système selon la revendication 4, dans lequel lesdits moyens d'analyse (AN) sont adaptés pour déterminer une activité de l'utilisateur allongé, à partir d'un ensemble de couples { {σx [m]; σ [«])) prédéterminés de valeurs de première et deuxième variances, définissant des classes de mouvement {σx , σy ).
6. Système selon la revendication 5, dans lequel lesdits couples ((σjm];^ ^])) de valeurs de première et deuxième variances sont adaptés pour respecter les conditions suivantes :
Figure imgf000024_0001
7. Système selon la revendication 6, dans lequel lesdits moyens d'analyse (AN) sont adaptés pour déterminer la densité de probabilité conjointe d'un état (iEtat) dudit modèle de Markov caché par la relation suivante :
P(x(n) , y(n)\Etat = i) = PιEtat {x(n) , y(n)) = ∑ ∑ΩW,m+(BW +1)π Px{σ,M){x(n))PΛσM){y(n))
dans laquelle : iEtat représente un état du modèle de Markov caché; aιEtat ] est un coefficient de pondération ; et v Σ vΣ a Œtat ,m+(mmnJ. +ï)n = 1 n=0 »1=0
8. Système selon la revendication 7, dans lequel, lesdites classes de mouvement sont au nombre de dix-huit et sont définies par : σj0] = 5.10-3 , σJl] = l,8.10-2, σx[2] = 3,5.10-2 , σ;c[3] = 5.,510-2 , σ;c [4] = 8.10-2 , σj5] = 1.10-\ σjθ] = l.lθ-\ σ [l] = 3.1(T2 , σ [2] = 8.1(T2.
9. Système selon la revendication 8, dans lequel lesdits coefficients réels {aιEtat } ) sont définis par le tableau suivant :
Figure imgf000025_0001
Figure imgf000026_0001
Figure imgf000027_0001
10. Système selon la revendication 9, dans lequel les probabilités (P(Etatj/Etati)), dudit modèle de Markov caché, de passage entre deux états représentant respectivement un type de posture sont telles que :
Figure imgf000027_0002
1 1. Système selon l'une des revendications précédentes, comprenant des moyens d'affichage (AFF).
12. 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.
13. Système selon l'une des revendications précédentes, comprenant des moyens de fixations (MF) adaptés pour être fixés au poignet, au torse, ou à la tête de la personne.
14. Procédé de détermination de l'activité d'une personne allongée, caractérisé en ce que l'on :
- on filtre, pour sélectionner, pour chaque axe de mesure d'un capteur de mouvement (CM), des hautes fréquences (HF) supérieures à un premier seuil (S1 ), et des basses fréquences (BF) inférieures à un deuxième seuil (S2) inférieur ou égal audit premier seuil (S1 ) ; - on calcule une première variable (x(n)) représentant, entre une variation temporelle, selon au moins axe de mesure, desdites basses fréquences (BF) ;
- on calcule une deuxième variable (y(n)) égale à norme, selon au moins axe de mesure, desdites hautes fréquences (HF) ; et - on détermine une séquence d'états en combinant :
- des densités de probabilités conjointes d'une première et deuxième valeurs, ces densités de probabilités étant définies pour chaque état, et
- des probabilités de passage entre deux états successifs.
15. Procédé selon la revendication 14, dans lequel les densités de probabilité conjointes sont établies en déterminant, pour chaque état :
- des premières densités de probabilité d'une première valeur, et - des deuxièmes densités de probabilité d'une seconde valeur.
PCT/EP2010/055561 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'une personne allongee WO2010122173A1 (fr)

Priority Applications (2)

Application Number Priority Date Filing Date Title
US13/266,100 US8898041B2 (en) 2009-04-24 2010-04-26 System and method for determining the activity of a person lying down
EP10717610A EP2421438A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'une personne allongee

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR0952691 2009-04-24
FR0952691 2009-04-24

Publications (1)

Publication Number Publication Date
WO2010122173A1 true WO2010122173A1 (fr) 2010-10-28

Family

ID=41171253

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2010/055561 WO2010122173A1 (fr) 2009-04-24 2010-04-26 Systeme et procede de determination de l'activite d'une personne allongee

Country Status (3)

Country Link
US (1) US8898041B2 (fr)
EP (1) EP2421438A1 (fr)
WO (1) WO2010122173A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2984511A1 (fr) * 2011-12-19 2013-06-21 Commissariat Energie Atomique Systeme et procede de detection d'au moins une phase transitoire dans une activite stationnaire d'un etre anime

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2842491A4 (fr) * 2012-04-27 2015-05-27 Toyota Motor Co Ltd Dispositif pour calculer une quantité d'activité physique retenue, procédé pour calculer une quantité d'activité physique retenue et système pour calculer une quantité d'activité physique retenue
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

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1731097A2 (fr) * 2005-06-09 2006-12-13 Sony Corporation Appareil de reconnaissance d'activité, procédé et programme
US20080162088A1 (en) * 2005-05-03 2008-07-03 Devaul Richard W Method and system for real-time signal classification
US20080275349A1 (en) * 2007-05-02 2008-11-06 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
JP2009037410A (ja) * 2007-08-01 2009-02-19 Nippon Hoso Kyokai <Nhk> 感情表現抽出処理装置及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8403865B2 (en) * 2004-02-05 2013-03-26 Earlysense Ltd. Prediction and monitoring of clinical episodes
US7558622B2 (en) * 2006-05-24 2009-07-07 Bao Tran Mesh network stroke monitoring appliance
US8585607B2 (en) * 2007-05-02 2013-11-19 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
US20100079291A1 (en) * 2008-09-26 2010-04-01 Muve, Inc. Personalized Activity Monitor and Weight Management System
WO2010122174A1 (fr) * 2009-04-24 2010-10-28 Commissariat A L'energie Atomique Et Aux Energies Alternatives Systeme et procede de determination de la posture d'une personne

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080162088A1 (en) * 2005-05-03 2008-07-03 Devaul Richard W Method and system for real-time signal classification
EP1731097A2 (fr) * 2005-06-09 2006-12-13 Sony Corporation Appareil de reconnaissance d'activité, procédé et programme
US20080275349A1 (en) * 2007-05-02 2008-11-06 Earlysense Ltd. Monitoring, predicting and treating clinical episodes
JP2009037410A (ja) * 2007-08-01 2009-02-19 Nippon Hoso Kyokai <Nhk> 感情表現抽出処理装置及びプログラム

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
DANIEL WILSON; ANDY WILSON, GESTURE RECOGNITION USING THE XWAND
JALLON P ET AL: "Detection system of motor epileptic seizures through motion analysis with 3D accelerometers", ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY, 2009. EMBC 2009. ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE, IEEE, PISCATAWAY, NJ, USA, 3 September 2009 (2009-09-03), pages 2466 - 2469, XP031639459, ISBN: 978-1-4244-3296-7 *
L.R. RABINER; B.H. JUANG: "An introduction to hidden Markov models", IEEE ASSP MAGAZINE, January 1986 (1986-01-01)
P.V. BORZA, MOTION-BASED GESTURE RECOGNITION WITH AN ACCELEROMETER
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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2984511A1 (fr) * 2011-12-19 2013-06-21 Commissariat Energie Atomique Systeme et procede de detection d'au moins une phase transitoire dans une activite stationnaire d'un etre anime
WO2013092405A1 (fr) * 2011-12-19 2013-06-27 Commissariat A L'energie Atomique Et Aux Energies Alternatives Systeme et procede de detection d'au moins une phase transitoire dans une activite stationnaire d'un etre anime
US20140343894A1 (en) * 2011-12-19 2014-11-20 Movea System and method for detecting at least one transient phase in a steady activity of an animated being
US10467462B2 (en) 2011-12-19 2019-11-05 Commissariat à l'énergie atomique et aux énergies alternatives System and method for detecting at least one transient phase in a steady activity of an animated being

Also Published As

Publication number Publication date
US20120101785A1 (en) 2012-04-26
EP2421438A1 (fr) 2012-02-29
US8898041B2 (en) 2014-11-25

Similar Documents

Publication Publication Date Title
WO2010122174A1 (fr) Systeme et procede de determination de la posture d&#39;une personne
CA3070980C (fr) Procedes et systemes pour prevoir des crises d&#39;epilepsie
JP5920364B2 (ja) 情報処理装置、代表波形生成方法および代表波形生成プログラム
US10448829B2 (en) Biological rhythm disturbance degree calculating device, biological rhythm disturbance degree calculating system, and biological rhythm disturbance degree calculating method
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
CN110461215A (zh) 使用便携式设备确定健康标志
CN110013261B (zh) 情绪监测的方法、装置、电子设备及存储介质
WO2010122172A1 (fr) Systeme et procede de determination de l&#39;activite d&#39;un element mobile
CN109864704A (zh) 生物信号质量评价设备和生物信号质量评价方法
Abujrida et al. Machine learning-based motor assessment of Parkinson’s disease using postural sway, gait and lifestyle features on crowdsourced smartphone data
US20060218074A1 (en) Automated trading platform
EP4013303A1 (fr) Procede et systeme pour l&#39;analyse de l&#39;activite biomecanique et l&#39;exposition a un facteur de risque biomecanique sur un sujet humain dans un contexte d&#39;activite physique
WO2010122173A1 (fr) Systeme et procede de determination de l&#39;activite d&#39;une personne allongee
EP3730048A1 (fr) Dispositif et procede d&#39;analyse de l&#39;etat d&#39;un systeme en contexte bruite
WO2013113111A1 (fr) Système et procédé de prédiction de signaux autosemblables
EP2467061B1 (fr) Systeme et procede de detection de crise d&#39;epilepsie d&#39;une personne epileptique allongee
JP5791555B2 (ja) 状態追跡装置、方法、及びプログラム
US12016665B2 (en) Method for generating heart rate variability information related to external object by using plurality of filters, and device therefor
CN107221128B (zh) 一种便携式人体跌倒风险的评价和预警***及其方法
Myers Time series
JP2012108836A (ja) 日常計測データからの対人特性推定装置、推定方法および推定プログラム
Li et al. Multiscaled cross-correlation dynamics on sensecam lifelogged images
US20230277091A1 (en) System and method for unsupervised monitoring in mobility related disorders
WO2022195130A1 (fr) Procédé et dispositif de quantification d&#39;au moins un aspect de comportement d&#39;un utilisateur en interaction avec un équidé
EP3017754B1 (fr) Methode de determination automatisee d&#39;un indice representatif de l&#39;activite sympatho-vagale d&#39;un etre humain ou d&#39;un animal de competition

Legal Events

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

Ref document number: 10717610

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2010717610

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 13266100

Country of ref document: US