Fusion de données pour la télévigilance médicale

27/08/2017
Auteurs : Jérôme Boudy
OAI : oai:www.see.asso.fr:1301:2014-1:19627
DOI : You do not have permission to access embedded form.

Résumé

Fusion de données pour la télévigilance médicale

Média

0:00
available

Métriques

14
4
502.54 Ko
 application/pdf
bitcache://738caa0d511e44e53ead1d09459315fd5b0eb77e

Licence

Creative Commons Aucune (Tous droits réservés)
<resource  xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
                xmlns="http://datacite.org/schema/kernel-4"
                xsi:schemaLocation="http://datacite.org/schema/kernel-4 http://schema.datacite.org/meta/kernel-4/metadata.xsd">
        <identifier identifierType="DOI">10.23723/1301:2014-1/19627</identifier><creators><creator><creatorName>Jérôme Boudy</creatorName></creator></creators><titles>
            <title>Fusion de données pour la télévigilance médicale</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sun 27 Aug 2017</date>
	    <date dateType="Updated">Sun 27 Aug 2017</date>
            <date dateType="Submitted">Mon 20 Nov 2017</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">738caa0d511e44e53ead1d09459315fd5b0eb77e</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>33374</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

36 ◗ REE N°1/2014 Les TIC et la lutte contre la perte d’autonomie Jérôme Boudy Télécom SudParis Contexte de la télévigilance médicale Depuis ces dernières décennies, on assiste à une progression importante de la longévité des personnes âgées – les personnes de plus de 65 ans représen- teront 30 % de la population en France et en Europe d’ici 2030 – et donc à la perspective de voir les si- tuations de dépendance se banaliser, en raison non seulement des progrès de la médecine, mais aussi d’une meilleure alimentation. Les organismes publics, les professionnels de santé et les instances gouver- nementales en France et en Europe se penchent de plus en plus sur cette question et désirent apporter une solution au risque de dépendance par le biais des techniques de l’information et de la communica- tion (TIC) et apprécier dans quelle mesure ils peuvent apporter une réponse pertinente à la préoccupation ainsi identifiée. La détection de chutes des personnes âgées à leur domicile reste une question majeure pour l’assistance et la santé à domicile, compte tenu du fort impact sur leur santé physique et psychologique, pouvant les amener progressivement vers un état de fragilité [Bloch-2012], [Michel-Pellegrino-2007]. Les techno- logies TIC développées pour la santé numérique s’orientent de plus en plus vers des solutions inter- connectées portées par la personne et/ou mettant en œuvre des capteurs actimétriques (c’est-à-dire dédiés au suivi des mouvements de la personne) répartis dans l’habitat de l’usager, l’ensemble étant relié par le réseau Internet à un centre d’appel médical ou privé dont la vocation est de déclencher une alerte en cas de problèmes ou de détresse de la personne âgée à son domicile (figure 1). Pour répondre au problème de la levée de doute auquel les centres d’urgence comme le SAMU-92, partenaire de nos projets dans ce domaine doivent répondre avant de déclencher toute intervention d’urgence, la combinaison de plu- sieurs modalités de télévigilance peut apporter une solution adaptée, efficace et à géométrie variable en fonction des capteurs ou des dispositifs opérationnels présents dans l’habitat du patient. Durant ces dernières années la communauté scientifique du domaine s’est donc orientée vers l’étude et la mise en œuvre de techniques de détec- tion de chute ayant recours à des capteurs à la fois portés par la personne et/ou disposés dans son envi- ronnement comme cela est représenté en figure 1. Les performances de tels systèmes se mesurent généralement par au moins deux paramètres : la sen- sibilité (capacité à détecter les événements graves) et la spécificité (robustesse aux fausses alarmes). Généralement ces deux grandeurs varient en sens inverse. On doit donc trouver un compromis satis- faisant pour les professionnels de santé et les utili- sateurs (personnes dépendantes à domicile) offrant la garantie de performances de détection suffisantes (sensibilité de l'ordre ou supérieure à 92 %) et une bonne robustesse aux fausses alarmes (spécificité de l'ordre ou superieure à 95 %). Naturellement il a semblé intéressant de combiner plusieurs modalités Fusion de données pour la télévigilance médicale This article aims to describe the fall detection problem corresponding to distress situations widely met with elderly persons and showing very heavy consequences on their physical and psychic health status. To solve the crucial issue of a correct abnormal event detection and the “doubt killing” issue facing potential waste of time and means for the emergency and rescue centers, Telecom SudParis developed data fusion approaches for heterogeneous and time-evolutive input data leading to specific pro- cessing architectures such as fuzzy logics and evidential networks based on the Dempster-Shaffer Theory of the belief. It also tends to show that these kinds of data fusion processing are encouraging for multi-sensors/agents healthcare decision process applied to the distress problem prevention. abstract REE N°1/2014 ◗ 37 Fusion de données pour la télévigilance médicale de détection de chutes et/ou de mouvements, et donc de se pencher sur l’introduction de méthodes de fusion multi- modale. Il existe en France, et plus généralement en Europe, un certain nombre de systèmes de détection de chutes déve- loppés suivant deux approches principales : • l’usage d’un dispositif portable fixé sur la personne (gé- néralement à l’aide de patchs), développés notamment par le TIMC à Grenoble (N. Noury) et la société VIGILIO (Dr. J.E. Lundy), ou l’usage d’un dispositif porté au poignet comme VIVAGO, société finlandaise (concept de montre multifonc- tion) qui a développé une approche de constat de chute a posteriori plutôt que de détection directe de l’événement. Le dispositif portable de détection de chute et de suivi vital, baptisé RFPAT, développé par J. L. Baldinger, enseignant- chercheur à Telecom SudParis, permet à la fois de détecter des chutes par accélérométrie 3D dans le boîtier lui-même et de mesurer des signaux vitaux (fréquence cardiaque) et certains paramètres d’actimétrie comme le mouvement et l’inclinaison de la personne, ce qui le différencie des autres dispositifs concurrents par sa « multimodalité em- barquée ». Récemment d’autres solutions du même type sont apparues comme le “Fall Detector” de TUNSTALL ou la montre pendentif proposée par SERVILIGNE. Il est à noter que le laboratoire d’évaluation TASDA (Technopôle Alpes, http://www.tasda.fr ), faisant partie du CNR Santé, a réper- torié ces différentes solutions et procède à leurs évaluations pour un meilleur conseil aux utilisateurs. • L’utilisation de capteurs environnementaux externes à la personne comme l’usage de capteurs infrarouges de présence tels que le système GARDIEN (INSERM U558, Steenkeste-1999) ou plus récemment sa version sous la forme d’un tapis dit actimétrique développé également par F. Steenkeste, ou bien, l’utilisation d’objets usuels comme le pèse-personne introduit par l’Université technologique de Troyes (Institut Charles Delaunay - J. Duchêne et D. Hewson). Ce dernier type de dispositif permet de détec- ter d’éventuelles dérives de l’équilibre de la personne âgée pour la prévention de chute [Hewson-2007]. Des systèmes fondés sur la vision par ordinateur sont également apparus plus récemment pour suivre les activités de la personne dépendante et pouvoir détecter des chutes comme, par exemple, la Video Vigilance de la société Link Care Services. A Telecom SudParis, nous avons abordé le problème de la détection de chutes tout d’abord au moyen d’un dispositif autonome porté par la personne (RFPAT, [Baldinger-2004]), puis par la mise en œuvre de procédés de fusion de divers capteurs de l’environnement, externes vis-à-vis du patient, pour renforcer la détectabilité de la chute. Plus précisé- ment nos travaux portent sur l’étude et le développement de techniques de fusion de données à caractère hétéro- gène issues de ces divers capteurs actimétriques et physio- logiques présentant en effet une variété de représentations (continues, binaires, scores de décision…) : procédés de fusion de données respectivement fondés d’une part sur la logique floue [Medjahed-2010], d’autre part sur la théorie des croyances mise en œuvre sur des réseaux d’évidences Figure 1 : Architecture du système de Télévigilance – Terminal – Base domestique – Serveur distant. 38 ◗ REE N°1/2014 Les TIC et la lutte contre la perte d’autonomie [Cavalcante-2013]. En effet ces approches sont caracté- risées par la notion globale d’imperfection des données [Bloch-1994], se déclinant soit en imprécision dans le cas de la logique floue, soit en incertitude pour les approches bayésiennes, ou bien, à la fois en incertitude et impréci- sion dans le cas de la théorie des croyances de Dempster et Shafer [Shafer-1976]. Ceci démontre le caractère généralisa- teur d’une telle approche si l’on veut aborder un problème de décision en tenant compte du caractère globalement impar- fait des données à traiter. Approches de fusion de données abordées pour la télévigilance En général un processus de fusion, que l’on peut défi- nir comme de première ou de deuxième espèce, s’applique généralement à différents niveaux ou étages d’un traitement multidimensionnel : • soit au niveau des données/signaux d’observations issues de différents capteurs – généralement les observations sont rangées sous forme d’un vecteur de signaux prétraités ou analysés – ou plus directement au niveau des signaux acquis après numérisation ; ce vecteur est ensuite direc- tement traité par une méthode de classification (réseaux de neurones, Support Vector Machines) appliquée globa- lement à cet ensemble de données pour fournir une pro- babilité d’apparition d’un phénomène normal ou anormal (probabilité de vraisemblance ou a posteriori selon le clas- sifieur choisi) ; • soit au niveau des sorties de différents systèmes de dé- cision fonctionnant en parallèle sur des signaux/données complémentaires ou identiques, tels que des classifieurs ou systèmes experts ; les résultats s’expriment générale- ment par des scores de reconnaissance (vraisemblances ou probabilités a posteriori) ; c’est le cas de la fusion de scores, initialement appliquée en traitement d’images et de la parole, par exemple, pour la fusion de reconnaissances de signaux phonétiques et de visèmes (images des mou- vements de lèvre) [Heckmann-2002], [Misra, Bourlard et al.- 2003], [Kittler- 1998]. Le processus de fusion peut mettre en jeu une interpréta- tion de ces données (signaux, scores de reconnaissance…) soit concurrente, soit complémentaire ou redondante selon l’architecture de traitement de fusion [Thèse de D. Bellot - 2002, accessible sur Internet] définie en fonc- tion des propriétés de corrélation que peuvent présenter les différentes sources ou modalités de fusion. Classiquement les données ou sorties des systèmes de décision à fusion- ner sont homogènes, notamment dans le cas d’une fusion concurrente. Cependant ces données multimodales peuvent ne pas être homogènes à un même niveau de fusion – par exemple un mélange d’informations issues de traitements par des chaînes de Markov cachées et de systèmes à base de règles - ou bien les données traitées directement ne sont elles-mêmes pas homogènes du point de vue de leur struc- ture (signaux continus, binaires…). Dans ce cas la logique floue associée à un système de décision à base de règles, les réseaux Bayésiens ou les réseaux d’évidence sont les plus appropriés pour traiter de telles disparités en entrée du processus de fusion [Bellot-2002], [Medjahed-2009], [Cavalcante-2013]. De telles approches de fusion reviennent finalement à combiner des données de première et deu- xième espèces sans forcément tenir compte de leur structure ou de leur niveau d’abstraction ou d’analyse. Approches statistiques nécessitant des entrées homogènes : fusion de scores La fusion statistique de scores de reconnaissance, in- troduite par [Kittler-1998], [Heckmann-2002] et [Misra, Bourlard-2003] dans le contexte de la reconnaissance bi- modale audio-visuelle, peut également être transposée au problème de la Télévigilance [Guettari-2009], par exemple en fusionnant les scores de reconnaissance des sorties d’un réseau de neurones appliqué aux modalités combinées RFPAT-GARDIEN avec ceux du réseau associé à un système de reconnaissance de sons de la vie courante baptisé ANA- SON [Istrate-2006]. On rappelle que RFPAT définit le système de capteurs de chute et de données vitales [Baldinger-2004], GARDIEN le réseau de capteurs infrarouge de présence installés dans l’habitat [Steenkeste-1999]. Dans notre contexte, la fusion de scores effectue un simple produit normalisé des scores issus de chaque classi- fieur pris séparément : (1) où Hi définit l’hypothèse ou la classe d’indice i parmi N classes possibles d’événements à détecter (par exemple entre un état normal et un état de chute), xA , xRG définissent respectivement les observations relatives à ANASON et RFPAT-GARDIEN combinés, et où η correspond à un facteur de normalisation égal à la somme de tous les scores calculés pour l’ensemble des classifieurs monomodaux, c’est-à-dire RFPAT-GARDIEN et ANASON. Une variante possible de la Fusion de scores s’obtient par une forme linéarisée pondérée par l’inverse de l’entropie (notée hk ) mesurant l’incertitude moyenne inverse de cha- REE N°1/2014 ◗ 39 Fusion de données pour la télévigilance médicale cun des Nc classifieurs en jeu, que l’on doit à [Misra-2003] et ayant pour expression : (2.1) avec (2.2) (2.3) Cette pondération est contrôlée par un seuil soit fixe, soit adaptatif dépendant de la moyenne instantanée (à horizon court terme) des entropies sur l’ensemble des classifieurs. Comme le soulignait Josef Kittler dans un de ses nom- breux articles publiés dans le domaine de la fusion, une modalité dont la qualité de reconnaissance est faible peut présenter un effet veto sur le résultat global de fusion, c’est- à-dire finalement dégrader le résultat global de reconnais- sance. La pondération par l’entropie de chaque classifieur à fusionner joue donc un rôle de modérateur, voire d’atténua- teur, sur ceux dont l’incertitude est élevée (forte entropie), mais au contraire de rehausseur pour ceux de fiabilité meil- leure (faible entropie). Les résultats d’évaluation de la fusion de scores appli- quée à la télévigilance n’ont pas été concluants et ont mis en évidence le problème de non-homogénéité des classifieurs présents dans ce processus (mélange de vraisemblances, probabilités a posteriori à normaliser…). En revanche l’ap- plication d’une telle structure de fusion à l’analyse de sons anormaux [Guettari-2009] [Istrate-2006] en appliquant cette fois-ci le principe de fusion concurrente – fusion de scores multi-modèles pour une même source ou modalité – a ap- porté des améliorations intéressantes en termes de scores de reconnaissance de chaque type de son à identifier. Finalement ces expérimentations ont démontré la néces- sité de recourir à des structures de fusion de données hété- rogènes et, de ce fait, de pouvoir traiter indifféremment des données provenant à la fois de classifieurs statistiques et de signaux issus de capteurs comme c’est le cas des systèmes évoqués plus haut (actimétrie, sons et paramètres vitaux). C’est justement dans ce contexte que sont développées les approches de fusion qui suivent, fondées sur la logique floue et sur les réseaux d’évidences. Fusion de données hétérogènes par la logique floue La logique floue, introduite par Zadeh dans les années soixante [Zadeh-1965] vise à traduire d’une certaine manière le raisonnement humain entaché d’imprécision, en introdui- sant la notion d’appartenance partielle d’un élément « x » donné à un ensemble « A » d’hypothèses. En effet elle per- met la prise en compte de situations où une décision de type binaire pourrait conduire le système de décision à une erreur lorsque les divers résultats d’expertise du système (compa- raison de scores de vraisemblance, règles) comportent une forme d’ambigüité. En particulier la fusion de plusieurs règles « fuzzifiées » (rendues floues, anglicisme de fuzzified) a été proposée par [Medjahed-2009], là où l’intérêt de la logique floue est d’appliquer une décision globalement optimisée en terme d’imprécision par des opérations consécutives de fuz- zification-défuzzification de l’ensemble des données à traiter Figure 2 : Fusion de différentes modalités de décision par règles inférées en logique floue [Medjahed-2009]. 40 ◗ REE N°1/2014 Les TIC et la lutte contre la perte d’autonomie et des règles inférées dans le système de décision (figure 2). Pour les détails de ces opérations, on peut se reporter aux différents articles ou dans la thèse de H. Medjahed (janvier 2010) accessible sur Internet. L’application de la logique floue au processus de fusion proposée par [Medjahed-2009] dans le contexte de télévi- gilance médicale où les entrées du système global corres- pondent (figure 2), soit aux données mesurées directement au niveau des capteurs, soit aux données pré-traitées, voire interprétées sémantiquement, par les différentes modalités comme RFPAT (capteurs de chute et de données vitales) [Baldinger-2004], ANASON (reconnaissance de sons cri- tiques) [Istrate-2006] et GARDIEN [Steenkeste-1999] (sym- bolisé par Other sur la figure) . Les performances de ce procédé de fusion par logique floue ont conduit, lorsqu’il a été appliqué sur les bases de données dont on disposait à l’époque, à des résultats très satisfaisants en termes de sensibilité (aptitude à détecter les chutes) et de spécificité (robustesse aux fausses alarmes), respectivement de l’ordre de 97 % et 96 %. Fusion de données hétérogènes fondée sur les réseaux d’évidences En lien étroit avec la théorie du flou vue précédemment, l’application de la théorie de Dempster-Shafer aux réseaux d’évidences permet d’inférer des règles de décisions au moyen de leurs structures arborescentes [Cavalcante-2013]. Un des avantages de ces réseaux au plan théorique est de tenir compte à la fois de l’incertitude et de l’imprécision, ceci à chaque étape de transfert, de combinaison de variables ou chaque étage de décision intermédiaire pour l’estimation de la croyance et de la plausibilité globales dans le proces- sus final de fusion (étape finale du réseau évidentiel cor- respondant à l’étage supérieur du graphe – figure 3) [Hong, Nugent-2009]. La croyance (notée Bel) de la masse d’un événement A notée m(A) et sa plausibilité (notée Pl, occur- rence de l’hypothèse A et d’événements qui ne lui sont pas contradictoires) fournissent dès lors un intervalle borné par une limite inférieure et supérieure de la probabilité de l’hypo- thèse A, définies par, (3) L’intervalle [Bel(A),PL(A)] ainsi formé peut donc s’assimiler à un intervalle de confiance de la probabilité P(A) Bel(A) ≤ P(A) ≤ Pl(A) (4) La différence entre Pl(A) – Bel(A) mesure « l’ignorance » concernant l’hypothèse A considérée. Cette relation montre que plus forte est la croyance en l’hypothèse A, moins son hypothèse contraire {non A} est plausible. De plus tenant compte du conflit possible entre diverses sources de décision en présence (d’indices 1 à no ), la fusion des croyances relatives aux différentes hypothèses cohé- rentes avec A est obtenue par la règle de combinaison de Dempster-Shafer, dont la forme est la suivante [Sha- fer-1976] : (5.1) avec (5.2) . où K représente la mesure du degré de conflit entre les sources fusionnées. Le conflit représente donc ici l’incohérence de la fu- sion résultant de la contradiction pouvant exister entre chacune des no sources correspondant aux diverses modalités d’exper- tise ou de classification faisant l’objet de cette fusion. La règle de combinaison peut être rapprochée de la formule de fusion de scores vue précédemment dans sa version fondamentale (1), la seule différence étant que la fusion de scores ne prend justement pas en compte la notion de conflit. Un réseau d’évidences fonctionne sur la base d‘une onto- logie élaborée à partir du modèle, dans notre cas des mo- dèles de chutes visées. En figure 3 ci-après, on peut voir un exemple d’ontologie explicitement décrit par un réseau d’évi- dences de détection de chutes ayant pour but de fusionner des données provenant à la fois du système RFPAT (détecteur de chutes porté par le patient) [Baldinger-2004] et GARDIEN (capteurs de localisation et de verticalité) [Steenkeste-1999]. Un réseau d’évidences est un graphe de type acyclique. Sa conception pour notre application de télévigilance s’ap- puie sur la définition d’une ontologie décrivant la hiérarchie et les liens entre les différentes données et paramètres (phy- siologie, actimétrie) du phénomène à modéliser, c’est-à-dire dans notre cas, la chute. La hiérarchie et les dépendances entre données sont matérialisées par des nœuds représen- tés à différents niveaux du réseau sous formes de symboles carrés, rectangulaires ou circulaires selon leurs caractéris- tiques et par des flèches (liens entre les données). Sur la figure 3, selon les conventions de symboles [Hong- 2009], [Cavalcante-2013], les capteurs sont représentés par des nœuds circulaires, tandis que les entrées représentées par des nœuds « triangulaires » symbolisent des systèmes de décision pouvant être de nature hétérogène : ces der- REE N°1/2014 ◗ 41 Fusion de données pour la télévigilance médicale niers peuvent être des sorties de systèmes de classification fondés, soit sur un test déterministe ou statistique de déci- sion (seuil fixe, test d’hypothèses…), soit sur des algorithmes de reconnaissance des formes ou des systèmes experts à base de règles. Un nœud de forme carrée symbolise des informations contextuelles, c’est-à-dire un objet avec lequel la personne interagit ou bien l’emplacement de la personne elle-même (par exemple la pièce où elle se tient), tandis qu’un nœud de forme rectangulaire représentera les infé- rences de posture ou de niveau d’activité de la personne (allongé, debout, agité…). Les connexions entre ces diffé- rents nœuds sont alors matérialisées par les opérations dites évidentielles permettant de transférer, voire transformer les masses associées à chaque niveau du réseau, en commen- çant par les données brutes de bas-niveau, transformées en données de niveau d’abstraction de plus en plus élevé (pos- tures, activités puis état de la personne tel que chute, normal etc…). Ces différentes transformations évidentielles, dénom- mées translation, propagation, somme pondérée et règle de Dempster-Shafer, sont appliquées de manière ascendante dans le réseau d’évidences développées de façon détaillée dans la thèse de [Cavalcante-2013]. Les performances obtenues avec le réseau évidentiel ap- pliqué à la télévigilance sont très encourageantes, en effet les sensibilités et spécificités obtenues sont respectivement de l’ordre de 94 % et 100 %, ce qui demeure du même ordre que les performances obtenues avec la fusion par logique floue : néanmoins il faut préciser que la base de données a été agrémentée de séquences de chutes molles, ce qui nécessiterait une nouvelle comparaison à base de données équivalente. Par ailleurs la version dynamique de l’approche évidentielle sur une seule modalité notamment (GARDIEN) [Cavalcante-Thèse2012] présente des performances très intéressantes, voire supérieures malgré la limitation à une seule modalité (sensibilité de 97 % et spécificité de 80 %). Le formalisme des réseaux d’évidences fondé sur la théo- rie de Dempster-Shafer permet dans une certaine mesure d’englober les approches bayésiennes par la prise en compte simultanée de l’imprécision et de l’incertitude dans le pro- cessus de décision : une classe imprécise ou classe de rejet n’existe pas de facto dans le calcul des probabilités disjointes entre classes. A l’opposé, la logique floue ne met en jeu que l’imprécision et se voit généralisée dès lors par la théorie de Dempster-Shafer appliquée aux réseaux d’évidences. Une propriété intéressante de cette dernière, à souligner à nou- veau, est la prise en compte du conflit potentiel entre deux ou plusieurs sources de décision, pouvant par exemple évi- ter l’« effet-veto » sur la détection d’un événement réel, pro- Figure 3 : Réseau d’évidence pour l’identification des postures de la personne comme la détection de chute avec un synoptique (à droite de la figure) des différents nœuds de connexion représentés par des symboles explicités dans [Cavalcante-2013] mais aussi dans son mémoire de thèse (octobre 2012 accessible sur Internet) [Cavalcante-2013]. Réseaux Evidentiels appliqués à la détection de chutes : une approche graphique [Cavalcante-2011] 42 ◗ REE N°1/2014 Les TIC et la lutte contre la perte d’autonomie blème rencontré en fusion de scores comme nous l’avons vu précédemment en fusion de scores. P. Cavalcante, dans sa thèse (accessible sur Internet), a également proposé une forme dynamique du réseau d’évidences pour la fusion de données actimétriques et vitales pour prendre en compte le caractère généralement évolutif de ces données dans le temps. Un réseau d’évi- dences dynamique (Dynamic Evidential Network) s’appuie généralement sur l’utilisation d’un filtre de croyance dépen- dant du temps, le “Temporal Belief Filter” (TBF) introduit par [Ramasso-2006] et [Marhic-2012] pour la reconnaissance de postures en vision et la détection de ruptures de mesures ou de défaillances de capteurs. Ce modèle dynamique, s’appa- rentant à un filtre de Kalman, fournit de manière récurrente au cours du temps une estimation adaptée des masses af- fectées aux données du réseau d’évidences. Conclusion et perspectives La question de la détection de chutes multimodale nous a permis durant ces dix dernières années de mesurer la diffi- culté de traiter conjointement divers systèmes de décision de caractère très hétérogène et d’orienter progressivement nos travaux de recherche en détection d’évènements anormaux (chutes, pathologies cardiaques…). Dans cette optique, les travaux plus récents de thèse d’H. Medjahed (2007-10) ont permis de dégager une approche très intéressante et efficace en termes de traitement multimodal de données hétérogènes grâce à l’introduction d’opérateurs flous appliqués à la fois aux données d’entrée et aux règles constituant l’ontologie de notre système. Ceux de P. Cavalcante (2010-12) les ont pro- longés en ayant recours aux approches « crédibilistes » (théo- rie de la croyance) fondées sur la théorie de Dempster-Shafer appliquée aux réseaux d’évidences. Ces derniers offrent à la fois une généralisation intéressante des approches floues et probabilistes grâce aux notions d’imperfection et de conflit qu’ils apportent, mais aussi par une description plus fine des dépendances entre les différentes données et étapes défi- nissant notre ontologie. Leur souplesse de mise en œuvre permet aussi une forme de « contextualisation », comme par exemple la prise en compte de la situation de la personne dans son habitat. Cela a déjà permis de résoudre des problèmes de fausses alarmes ou, au contraire, de confirmer une situation inquiétante détectée en régime monomodal mais avec une confiance limitée. Malgré le besoin toujours crucial de rendre plus robustes les techniques de détection d’événements graves comme la chute d’un patient au domicile, l’état actuel des recherches dans le domaine de la télévigilance met de plus en plus en évi- dence la nécessité de passer du problème de “fall detection” à celui de “fall prevention” [Michel-Pellegrino-2007] pour permettre une anticipation des phénomènes graves comme les chutes ou les pertes de connaissance, si l’on en juge par le nombre de publications et de projets de recherche euro- péens ou nationaux en cours1 . Le problème est en effet com- plexe car il faut pouvoir prévenir de manière fiable tout risque de chute sans engendrer de fausses alarmes trop fréquem- ment et avoir la capacité de traiter un flot parfois considé- rable de données. Le suivi quotidien des activités journalières (ADL : “Activities of Daily Life”) étudié déjà depuis quelques années au travers de diverses approches (actimétrie, usage des équipements de l’habitat [Le Bellego-2006], de maté- riels électroménagers tels que les réfrigérateurs, téléviseurs, cuisinières, consommation d’énergie, etc.), permet déjà de classifier, dans la limite des techniques actuelles d’identifica- tion (généralement du type fouille de données), les activités de la personne à domicile et éventuellement de détecter des signes de dégradation avant-coureurs de risques de chute. Le suivi quotidien des activités peut constituer un moyen fiable et stable à la fois de prévenir le risque de chute et plus largement de problèmes cardio-vasculaires pouvant être à l’origine d’une chute. Dès lors se pose la question de la quantification du risque de chute dans la mesure où les don- nées acquises au moyen de divers capteurs présentent un caractère à la fois aléatoire et peu prédictif de l’instant où l’événement grave lui-même pourrait se produire. Cette question n’est pas complètement résolue, même si certaines approches de l’état de l’art actuel fournissent déjà des solutions intéressantes combinant les aspects de suivi d’ADL et de contrôle par l’utilisateur de sa santé et de son aptitude à ef- fectuer des exercices physiques (sous forme de jeux s’apparen- tant à des “serious games”), un système d’aide à la décision à haut niveau permettant alors de quantifier sous forme de scores le niveau d’aptitude et de l’état de santé du patient. Remerciements Ces travaux sont le fruit d’une intense collaboration avec Dan Istrate et Jean-Louis Baldinger, enseignants-chercheurs à l’ESI- GETEL et à Télécom SudParis, ainsi qu’avec François Steenkeste, chercheur émérite à l’INSERM ; ils prennent en compte les ré- sultats des thèses co-encadrées avec ces derniers de Hamid 1 On peut citer le projet IST-FP7 iStoppFalls coordonné par l’Université de Siegen en RFA, le projet ANR-TecSan PARACHUTE coordonné par l’Université technologique de Troyes, le projet AAL Ageing in Balance coordonné par VTT en Finlande et le projet AAL FEARLESS coordonné par le Computer Vision Lab de la Technologie Universiteit Wien. Ils concourent au moyen d’approches spécifiques à prévenir le risque de chute par le maintien physique contrôlé par l’interprétation continue de données actimétriques et vitales multimodales. REE N°1/2014 ◗ 43 Fusion de données pour la télévigilance médicale Medjahed, Paulo Cavalcante, Imad Belfeki et Toufik Guettari, an- ciens et actuels doctorants à Télécom SudParis et à l’ESIGETEL sous la direction de Madame le Professeur Bernadette Dorizzi ; un soutien financier a été apporté au travers de divers projets (RNTS Tandem, ANR TecSan QuoVadis, Européen IST-FP7 Com- panionAble). Nous remercions aussi tout particulièrement les docteurs Michel Baer et Anna Ozguler du SAMU-92 de Garches pour leur accompagnement médical et technique toujours pré- cieux dans ce type de travaux. Références [Baldinger-2004] J. L. Baldinger, J. Boudy, B. Dorizzi, J.-P. Levrey, R. Andreao, C. Perpère, F. Delavault, F. Rocaries , C. Dietrich & A. Lacombe, ‘’Tele-surveillance System for Patient at Home: the MEDIVILLE system’’, Congrès ICCHP 2004, Paris, juillet 2004. [Bloch-2012] F. Bloch, M. Thibaud, C. Tournoux-Facon, C. Brèque, A.S. Rigaud, B. Dugué & G. Kemoun, ‘’Estimation of the Risk Factors for Falls in the Elderly: can Meta-analysis Provide a Valid Answer ?‘’, Geriatrics Gerontology Int 2013, vol. 13, pp. 250-263, 2013. [Bloch-1994] I. Bloch, I., H. Maître, « Fusion de données en traitement d’images : modèles d’information et décisions  », Traitement du Signal, 11(6) :435-446, 1994. [Cavalcante-2013] P. Cavalcante A., J. Boudy, D. Istrate, H. Medjahed, Bernadette Dorizzi, J. C. M. Mota, J. L. Baldinger, T. Guettari & I. Belfeki, “Evidential Network-based Multimodal Fusion for Fall Detection”, numéro spécial du journal IJEHMC consacré à des articles sélectionnés de la conférence pHealth de Juillet 2011, mai 2013. [Guettari-2009] T. Guettari, H. Medjahed, J. Boudy, D. Istrate, J.L. Baldinger & I. Belfeki « Traitement Acoustique pour la Télévigilance Médicale à Domicile », SFTAG 2009, 18-20 novembre 2009, Troyes, France. [Heckmann-2002] M.Heckmann, F. Berthommier & K. Kroschel “Noise Adaptive Stream Weighting in Audio-Visual Speech Recognition”, EURASIP Journal on applied Signal Processing 2002, vol. 11, pp. 1260-1273, 2002. [Hong-2009] X. Hong, C. Nugent, M. Mulvenna, S. McClean, B. Scotney & S. Devlin, “Evidential Fusion of Sensor Data for Activity Recognition in Smart Homes”, Pervasive and Mobile Computing, Elsevier, vol. 5, Issue 3, June 2009. [Istrate-2006] D. Istrate, E. Castelli, M. Vacher, L. Besacier & J.-F. Serignat, “Information Extraction From Sound for Medical Telemonitoring”, IEEE Trans. on Information Technology in Biomedicine, No. 2, Vol. 10, pp. 264-274, April 2006. [Kittler-1998] J. Kittler, M. Hatef, R.P.W Duin & J. Matas, “On Combining Classifiers”, IEEE Trans. On Pattern Analysis and Machine Intelligence, vol. 20, n° 3, pp. 226-239, March 1998. [Le Bellego-2006] G. Le Bellego, N. Noury, G. Virone & J. Demongeot, “A Model for the Measurement of Patient Activity in a Hospital Suite”, IEEE Trans. on Information Technology in Biomedicine, No. 1, Vol. 10, pp. 264-274, January 2006. [Marhic-2012] B. Marhic, L. Delahoche, C. Solau, A. M. Jolly- Desodt, V. Ricquebourg, “An Evidential Approach for Detection of Abnormal Behaviour in the Presence of Unreliable Sensors”, Information Fusion13 pp.146-160, 2012. [Medjahed-2009] H. Medjahed, D. Istrate, J. Boudy & B. Dorizzi, “Human Activities of Daily Living Recognition Using Fuzzy Logic For Elderly Home Monitoring”, FUZZ-IEEE 2009, pp. 2001-2006, 20-24 August 2009, Jeju Island, Korea. [Michel-Pellegrino-2007] V. Michel-Pellegrino, D. Hewson, M. Drieux & J. Duchêne, “Evaluation of the Risk of Falling in Institution-dwelling Elderly: Clinical Tests versus Biomechanical Analysis of Stepping-up”, IEEE-EMBS International Conf. on Engineering in Medicine and Biology Society, Lyon, France, August 2007. [Misra-2003] H. Misra, H. Bourlard & V. Tyagi. “New Enrtropy Based Combination Rules in HMM/ANN Multi-stream ASR”, ICASSP 2003, vol. II, pp. 741-744. [Ramasso-2006] E. Ramasso M. Rombaut D. Pellerin, “A Temporal Belief Filter improving Human Action Recognition in Videos”, International Conf. on Acoustics, Speech and Signal Processing, Toulouse, France, May 2006. [Shafer-1976] G. Shafer, “A Mathematical Theory of Evidence”, Princeton University Press, 1976. [Steenkeste-1999] F. Steenkeste , H. Bocquet, M. Chan & B. Vellas, “Remote monitoring system for elders in a geriatric hospital”, International Conference on Ageing, 2-4, Arlington, USA, December 1999. [Zadeh-1965] L. A. Zadeh, “Fuzzy sets”, Information and Control, vol. 8 (3): pp. 338-353, 1965. Jérôme Boudy est docteur-ingénieur de l’université de Nice et habilité à diriger des recherches en 2013. Il a rejoint Télécom SudParis depuis 2002 en qualité d’enseignant-chercheur en traitement du signal et de données en santé. Il y est actuel- lement professeur ; il est également co-animateur du Réseau thématique « Santé numérique » de l’Institut Mines-Telecom. Ses activités de recherche sont centrées sur la Télévigilance médicale (télésuivi/télémonitoring de paramètres vitaux), en particulier sur le problème de la fusion de données vitales et actimétriques en vue de détecter des situations de détresse de la personne dépendante (âgée, convalescente, fragile) à son domicile. l'auteur