Habitat Intelligent pour la Santé - Vers un outil d’aide à l’évaluation automatique de la dépendance d’une personne âgée

23/09/2017
Publication e-STA e-STA 2007-3
OAI : oai:www.see.asso.fr:545:2007-3:19890
DOI : You do not have permission to access embedded form.

Résumé

Habitat Intelligent pour la Santé - Vers un outil d’aide à l’évaluation automatique de la dépendance d’une personne âgée

Métriques

14
8
303.93 Ko
 application/pdf
bitcache://f78d631eb1af0eafc3a6369aee07ca9870f1a3a0

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">10.23723/545:2007-3/19890</identifier><creators><creator><creatorName>Xuan Hoa Binh Le</creatorName></creator><creator><creatorName>Maria di Mascolo</creatorName></creator><creator><creatorName>Alexia Gouin</creatorName></creator><creator><creatorName>Norbert Noury</creatorName></creator></creators><titles>
            <title>Habitat Intelligent pour la Santé - Vers un outil d’aide à l’évaluation automatique de la dépendance d’une personne âgée</title></titles>
        <publisher>SEE</publisher>
        <publicationYear>2017</publicationYear>
        <resourceType resourceTypeGeneral="Text">Text</resourceType><dates>
	    <date dateType="Created">Sat 23 Sep 2017</date>
	    <date dateType="Updated">Sat 23 Sep 2017</date>
            <date dateType="Submitted">Sat 24 Feb 2018</date>
	</dates>
        <alternateIdentifiers>
	    <alternateIdentifier alternateIdentifierType="bitstream">f78d631eb1af0eafc3a6369aee07ca9870f1a3a0</alternateIdentifier>
	</alternateIdentifiers>
        <formats>
	    <format>application/pdf</format>
	</formats>
	<version>33804</version>
        <descriptions>
            <description descriptionType="Abstract"></description>
        </descriptions>
    </resource>
.

Habitat Intelligent pour la Santé - Vers un outil d’aide à l’évaluation automatique de la dépendance d’une personne âgée XUAN HOA BINH LE1 , MARIA DI MASCOLO1 , ALEXIA GOUIN1 , NORBERT NOURY2 1 Laboratoire d’Automatique de Grenoble-ENSIEG-INPG Domaine Universitaire, BP 46, 38402 Saint Martin d’Hères Cedex, France 2 Laboratoire TIMC-IMAG-CNRS, Faculté de médecine de Grenoble 38706 La Tronche, France Xuan-Hoa-Binh.Le@lag.ensieg.inpg.fr, Maria.Di-Mascolo@inpg.fr, Alexia.Gouin@inpg.fr, Norbert.Noury@imag.fr Résumé — Le maintien à domicile de personnes âgées vivant seules rend nécessaire de disposer d’un outil d’aide à l’évaluation automatique de leur dépendance, dans le but d’émettre une alerte en cas de perte d’autonomie. La dépendance est évaluée par le degré de réalisation des activités de la vie quotidienne. Cet article présente deux approches complémentaires permettant de reconnaître la réalisation des activités de la vie quotidienne d’une personne âgée, vivant seule dans un Habitat Intelligent pour la Santé (HIS) équipé de capteurs non invasifs. Mots clés — habitat intelligent pour la santé, maintien à domicile de personnes âgées, évaluation de la dépendance, reconnaissance des activités de la vie quotidienne. I. INTRODUCTION En France, la part des personnes âgées de 75 ans et plus dans la population (environ 7% en 2000) devrait atteindre près de 10% en 2020 [1]. Dans les années futures, la différence entre les besoins de prise en charge des personnes âgées dépendantes et le nombre de places proposées dans les hôpitaux et centres spécialisés deviendra encore plus importante qu’elle ne l’est actuellement [2]. Le maintien à domicile de personnes âgées vivant seules s’inscrit dans une recherche d’amélioration des conditions de vie. Il permet notamment à la personne concernée de préserver au maximum ses liens familiaux et sociaux, de conserver un environnement familier, et de bénéficier d’un maximum d’indépendance. Si ce maintien favorise, en général, le retard de la perte d'autonomie, il est cependant sujet à des risques à court terme (chute, malaise, …) et à plus long terme (mauvaise alimentation, hygiène insuffisante, …). La dépendance est l’impossibilité partielle ou totale pour une personne d’effectuer sans aide technique ou humaine une ou plusieurs des activités de la vie courante [3]. Elle est la conséquence d’une ou plusieurs incapacités, de déficiences, ou de maladies, conduisant à des limitations d’activité ou à des restrictions de participation. L’autonomie peut être définie comme l’absence de dépendance. De nombreuses échelles ont été proposées pour mesurer la dépendance et parmi elles certaines sont particulièrement utilisées en gériatrie. Nous citons ici trois échelles utilisables pour mesurer le degré de dépendance de la personne âgée. L’échelle ADL de Katz (échelle des activités de la vie quotidienne) [4, 5, 6] et l’échelle IADL de Lawton (échelle des activités instrumentales de la vie quotidienne) [7] font référence dans la littérature internationale comme outils d’évaluation de l’autonomie centrée sur la personne. La grille AGGIR (Autonomie Gérontologique Groupes Iso Ressources) [8] est dédiée à l’évaluation du coût de la dépendance, de la charge en soins et a été inscrite en 1997 dans la loi française comme outil d’évaluation de la dépendance en vue de déterminer si une personne pouvait bénéficier de la prestation spécifique dépendance, et dans quelle mesure. Dans notre étude, nous utilisons l’échelle ADL de Katz pour évaluer l’état de dépendance d’une personne âgée. Les activités de la vie quotidienne, ou ADL (Activity of Daily Living), sont des actes de base qu’un individu autonome est sensé effectuer dans une journée. Katz identifie 6 ADL pour une personne : toilette, habillage, aller aux toilettes, déplacement dans la maison, continence et alimentation. L’Habitat Intelligent pour la Santé (HIS), est une spécialisation de la notion d’habitat intelligent (Smart Homes), qui intègre des capteurs et des actionneurs pour assurer un suivi médical à distance des occupants et les seconder dans l’accomplissement des tâches journalières [9, 14]. Son concept vise, notamment, à redonner une vie autonome, dans leur domicile, à des personnes âgées dépendantes ou des personnes souffrant de divers pathologies et handicaps qui devraient normalement les contraindre à une hospitalisation. Il permet également d’assurer le maintien à domicile des personnes âgées. Dans cet article, nous nous intéressons à un type d’HIS qui n’est équipé que de capteurs non invasifs (capteurs infrarouges et/ou contacts magnétiques). Ce type d’HIS, simple et respectueux de la personne, fonctionne de façon passive sans avoir besoin du concours de l’occupant, et vise à assurer une vie plus sûre à une personne âgée autonome vivant seule. Notre objectif ici est de reconnaître la réalisation des ADL définis par Katz pour s’assurer de l’autonomie de cette personne, et par la suite alerter en cas de perte d’autonomie. La suite de cet article est organisée de la façon suivante : dans le paragraphe 2, nous présentons un état de l’art sur les systèmes d’habitats intelligents pour la santé. Le paragraphe 3 est dédié à la description des deux plateformes expérimentales qui servent de support à nos travaux. Pour finir, nous proposons dans le paragraphe 4 deux approches pour aider à la reconnaissance automatique des ADL, avant de conclure et de donner les perspectives de ce travail. e-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12 II. HABITAT INTELLIGENT POUR LA SANTE Il existe plusieurs études dans le domaine de l’habitat intelligent pour la santé, avec différents types de capteurs utilisés pour surveiller des paramètres médicaux, comportementaux et environnementaux de l’occupant [9, 17]. Dans le cadre de l’HIS pour les personnes âgées, l’utilisation de capteurs non invasifs est vraiment adaptée par son respect de la vie privée des personnes âgées et son fonctionnement de façon passive sans avoir besoin du concours de l’occupant. Nous ne citons ici que les études qui reposent sur une surveillance passive, par des capteurs non invasifs, pour détecter des comportements et déclencher des alarmes. Steenkeste, Chan et Campo au CHU de Toulouse [10, 11], divisent la surface de leur chambre hospitalière en plusieurs zones fonctionnelles, à l’aide de capteurs infrarouges. Ils peuvent surveiller précisément l’environnement du patient et grâce à un apprentissage par réseau de neurone, ils parviennent à détecter de manière automatique certains événements tels que des sorties de lits, des fuites du patient et également comptabiliser les visites de l’infirmière. Ohta et al. [12] ont surveillé pendant 80 mois un appartement équipé de capteurs infrarouges dans lequel 8 sujets vivant seuls se sont succédés. Ils ont présenté des résultats statistiques sur la distance parcourue par l’occupant, la distribution de la durée de séjour dans chaque pièce et des critères pour classifier un jour ‘habituel’ ou ‘inhabituel’. Ils ont remarqué que chaque sujet avait un modèle spécifique de mouvement. Banerjee et al. [13] ont analysé des mouvements suivant deux critères : l’intervalle de temps séparant deux déclenchements consécutifs des capteurs, et le nombre de déclenchements des capteurs. Leur étude a été réalisée dans une chambre d’hôpital équipée de capteurs infrarouges. Leur système pouvait analyser les changements d’état des capteurs et les représenter sous forme de séquences de mouvements (lieu, heure de début et heure de fin pour chaque mouvement). Avec la mise en place d’un HIS expérimental au laboratoire TIMC de Grenoble, Virone [14] a présenté une méthode pour détecter les déviations du comportement, basée sur le taux d’occupation des pièces par l’occupant. Il a développé un simulateur des déplacements entre des pièces, basé sur ce qu’il a appelé ‘rythmes circadiens d’activités’ (RCA). Il a en effet observé que les activités quotidiennes d’une personne dans son lieu de vie commun tendaient à suivre des scénarii réguliers et standards qui sont ces RCA. LeBellego et al. [15] ont surveillé des patients dans une chambre d’hôpital. Ils ont proposé trois indicateurs pour représenter des activités de la vie quotidienne du patient : profil d’agitation, profil de mobilité et profil d’occupation. Dans sa thèse, Wilson [16] a utilisé le filtre bayésien et le filtre de particules pour le suivi des activités et de la localisation de plusieurs occupants. Il a proposé des pistes pour reconnaître certaines ADL. On constate que la plupart des études portant sur des HIS équipés uniquement de capteurs non invasifs (capteurs infrarouges et/ou contacts magnétiques), concernent l’étape de conception et un traitement préliminaire des données. Ces travaux ne permettent pas encore de reconnaître vraiment des ADL à partir des seules données issues des capteurs non invasifs. Il y a des études qui permettent d’aller plus loin dans la reconnaissance des ADL, mais en utilisant des capteurs invasifs, (voir par exemple le travail de Barralon [17]). III. PLATEFORMES A. Plateformes : Nous avons à notre disposition deux plateformes qui servent de support à nos travaux. La plateforme expérimentale HIS mise en place au laboratoire TIMC de Grenoble est un prototype d’appartement de type T1, comprenant les zones d’habitat classiques que sont la chambre, le séjour, la cuisine, les toilettes, la douche et un couloir. Les types de capteur utilisés sont les capteurs de présence (capteurs infrarouges et contacts magnétiques), les capteurs physiologiques, les capteurs d’environnement et autres capteurs. Dans notre étude, nous n’utilisons que les données provenant des capteurs de présence. La figure 1 présente la disposition des capteurs de présence dans la plateforme HIS. Figure 1 : Plan et disposition des capteurs de présence de la plateforme HIS La plateforme AILISA est composée de deux appartements du foyer Notre Dame à Grenoble. Les deux appartements sont équipés de capteurs infrarouges et habités chacun par une personne âgée. Les occupants ont accepté que leurs activités quotidiennes soient étudiées. La disposition des capteurs est présentée dans la figure 2. Figure 2 : Plan et disposition des capteurs infrarouges de la plateforme AILISA Dans les deux plateformes, les capteurs infrarouges sont disposés dans les pièces appropriées pour enregistrer la durée exacte de tous les mouvements de l’occupant. Les capteurs infrarouges délivrent des événements et non pas des états : si la personne s’immobilise devant le capteur, elle n’est plus détectée. On suppose que la personne se trouve dans la pièce où elle a été détectée le plus récemment. La fréquence d’échantillonnage maximale des capteurs infrarouges est de 1 Hz. e-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12 B. Données primaires : Chaque déclenchement d’un capteur de présence (capteurs infrarouges et contacts magnétiques) est enregistré avec la date, l’heure de l’occurrence et le numéro du capteur sous la forme : Détection [Date] [Heure] [Numéro de capteur] Avec : Date [Jour] [Mois] [Année] Heure [Heure] [Minute] [Seconde] 24 01 2006 15 27 09 1 24 01 2006 15 27 10 1 24 01 2006 15 27 15 2 24 01 2006 15 27 16 2 Figure 3 : Extrait des données enregistrées par des capteurs Dans certaines pièces, les zones de détection des capteurs infrarouges ne sont pas complètement disjointes. Si un mouvement de l’occupant fait déclencher en même temps deux capteurs, un seul déclenchement sera enregistré par le système. IV. APPROCHES A. Analyse des mouvements A partir des données primaires ci-dessus (voir fig. 3), nous proposons une méthode de traitement séquentiel pour les représenter de façon abrégée. Cette méthode analyse les mouvements de l’occupant et produit une liste des états mobiles / immobiles de l’occupant dans chaque pièce, sous la forme : [Pièce] [Etat] [Durée] [Heure de début] [Heure de fin] Cette méthode détermine un état immobile en se basant sur 2 critères : - Intervalle de temps I, séparant 2 activations consécutives des capteurs. Si la durée entre 2 activations consécutives des capteurs est supérieure à l’intervalle I, on a un état immobile de l’occupant. - Nombre d’activations N, sur lesquels un ou plusieurs capteurs sont activés. Deux états immobiles seront considérés disjoints ou différents s’il y a au moins N activations des capteurs entre la fin du premier état immobile et le début du deuxième. Sinon, les deux états immobiles seront considérés comme un même état immobile et on les combine. Par exemple, avec I = 10s et N = 5, les critères deviennent : si la durée entre 2 activations consécutives est supérieure à 10s, on a un nouvel état immobile. De plus, il faut au moins 5 activations des capteurs pour que cet état immobile soit considéré disjoint avec l’état immobile précédent. Les états mobiles sont déduits de la durée qui reste après avoir retiré les intervalles de temps correspondants aux états immobiles. Cette méthode peut être illustrée par les étapes suivantes : A partir des données primaires de la figure 3, on soustrait l’heure de l’activation précédente de l’heure de l’activation actuelle pour avoir la durée entre 2 activations consécutives (voir fig. 4) en fonction de la durée écoulée depuis le début du scenario. Pour bien observer, on se restreint à la période entre 100mn et 130mn (voir fig. 5 et suivants). 0 20 40 60 80 100 120 140 0 100 200 300 400 500 600 700 800 900 Temps (minutes) Dureeentre2activationsconsecutives(secondes) Duree entre 2 activations Figure 4 : Durée entre 2 activations consécutives des capteurs 100 120 0 50 100 150 200 250 300 350 Temps (minutes) Dureeentre2activationsconsecutives(secondes) Duree entre 2 activations Figure 5 : Période entre 100mn et 130mn Ensuite, on supprime les durées inférieures à l’intervalle I pour garder des états immobiles (voir fig. 6). 100 120 0 50 100 150 200 250 300 350 Temps (minutes) Dureeentre2activationsconsecutives(secondes) Intervalle de temps I Duree d'immobilite Figure 6 : Durée des états immobiles Après, on combine les états immobiles ayant moins de N activations des capteurs entre eux (voir fig. 7). 100 120 0 50 100 150 200 250 300 350 Temps (minutes) Dureeentre2activationsconsecutives(secondes) Intervalle de temps I , Nombre d'activations N Duree d'immobilite Figure 7 : Durée des états immobiles disjoints e-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12 Dans un premier temps, nous avons travaillé sur des données provenant d’un scénario réalisé dans la plateforme HIS afin de simuler la vie quotidienne d’une personne âgée. Ce scenario reproduit en environ 2h30 les différentes ADL réalisées dans une journée. Nous avons fixé expérimentalement I = 10s et N = 5 en rapport avec les données enregistrées. Les figures 4, 5, 6 et 7 présentent les différentes étapes du traitement des données provenant de l’HIS. La liste des états mobiles / immobiles obtenue par la méthode ci-dessus permet de retrouver le scenario à partir de données enregistrées par des capteurs. La figure 8 présente une partie du scenario réalisé et une partie de la liste des états mobiles / immobiles reconstruits. I : Etat immobile de l’occupant M : Etat mobile de l’occupant Liste d’états dans chaque pièce : Chambre pd. 15m53s ( M pd. 10s, I pd. 15m43s) WC pd. 3m38s ( M pd. 37s, I pd. 3m1s) Douche pd. 2m25s ( M pd. 1m54s, I pd. 31s) WC pd. 26s ( M pd. 11s, I pd. 15s) Cuisine pd. 4m56s ( M pd. 2m41s, I pd. 2m15s) WC pd. 2m22s ( M pd. 45s, I pd. 1m37s) Salon pd. 11m9s ( M pd. 17s, I pd. 10m52s) WC pd. 1m13s ( M pd. 52s, I pd. 21s) Cuisine pd. 1m24s ( M pd. 84s, I pd. 0s) Chambre pd. 3m11s ( M pd. 58s, I pd. 2m13s) ... Liste des états mobiles/immobiles : Chambre-M pd. 3s de 15:27:21 à 15:27:24 Chambre-I pd. 943s de 15:27:24 à 15:43:7 Chambre-M pd. 7s de 15:43:7 à 15:43:14 Salon-M pd. 5s de 15:43:14 à 15:43:19 Couloir-M pd. 3s de 15:43:19 à 15:43:22 WC-M pd. 7s de 15:43:22 à 15:43:29 Douche-M pd. 2s de 15:43:29 à 15:43:31 ... Cuisine-M pd. 24s de 15:53:47 à 15:54:11 Cuisine-I pd. 43s de 15:54:11 à 15:54:54 Cuisine-M pd. 50s de 15:54:54 à 15:55:44 WC-M pd. 19s de 15:55:44 à 15:56:3 WC-I pd. 97s de 15:56:3 à 15:57:40 WC-M pd. 26s de 15:57:40 à 15:58:6 Couloir-M pd. 8s de 15:58:6 à 15:58:14 Salon-M pd. 3s de 15:58:14 à 15:58:17 Salon-I pd. 11s de 15:58:17 à 15:58:28 Salon-M pd. 7s de 15:58:28 à 15:58:35 Salon-I pd. 641s de 15:58:35 à 16:9:16 Salon-M pd. 7s de 16:9:16 à 16:9:23 Couloir-M pd. 5s de 16:9:23 à 16:9:28 WC-M pd. 25s de 16:9:28 à 16:9:53 WC-I pd. 21s de 16:9:53 à 16:10:14 WC-M pd. 27s de 16:10:14 à 16:10:41 Douche-M pd. 2s de 16:10:41 à 16:10:43 WC-M pd. 6s de 16:10:43 à 16:10:49 Couloir-M pd. 6s de 16:10:49 à 16:10:55 Cuisine-M pd. 84s de 16:10:55 à 16:12:19 Salon-M pd. 5s de 16:12:19 à 16:12:24 Chambre-M pd. 4s de 16:12:24 à 16:12:28 Chambre-I pd. 16s de 16:12:28 à 16:12:44 Chambre-M pd. 9s de 16:12:44 à 16:12:53 Chambre-I pd. 117s de 16:12:53 à 16:14:50 Chambre-M pd. 45s de 16:14:50 à 16:15:35 ... Chambre WC SdB Cuisine WC Salon WC Cuisine Chambre Scenario Dormir Elimination Toilette Petit-déjeuner Elimination Lecture Elimination Boire Habillage 10mn 3mn 3mn 5mn 3mn 10mn 3mn 3mn Figure 8 : Scenario et liste des états mobiles / immobiles correspondants La méthode que nous venons de présenter peut être décrite par l’organigramme de la figure 9 : Figure 9 : Organigramme de la méthode de traitement séquentiel Pour le choix de I et N, la borne inférieure de I dépend de la fréquence d’échantillonnage des capteurs et est égale à 2s dans notre cas. A partir de cette valeur, en utilisant une partie de données à traiter, on augmente la valeur de I pour que le nombre de l’état immobile dans chaque pièce ne dépasse pas le nombre de l’état mobile. La borne inférieure de N est égale à 1 par sa définition. On augmente la valeur de N en observant la liste des états mobiles / immobiles obtenue pour supprimer des petits mouvements du corps de l’occupant pendant une grande période immobile. Nous avons également appliqué la méthode sur des données réelles provenant d’un appartement habité (plateforme AILISA). Nous avons trouvé une liste d’états mobiles / immobiles, mais nous n’avons pas encore actuellement de moyen pour vérifier que les états obtenus sont ceux qui ont réellement eu lieu. Cette méthode permet donc de retrouver la séquence des états mobiles / immobiles d’une personne à partir des données fournies par les capteurs. Mais l’information ainsi obtenue ne suffit pas pour pouvoir reconnaître toutes les ADL. Il est en particulier impossible de reconnaître s’il y a eu prise de repas ou non lorsque la personne est dans la cuisine. B. Utilisation des HMM pour reconnaître des ADL A partir de la liste des états mobiles / immobiles obtenue ci- dessus, on va utiliser les HMM (Hidden Markov Model ou modèle de Markov caché, voir la définition de HMM [18]) pour reconnaître certaines des ADL qui nous intéressent. Wilson [16] a étudié le cas d’un appartement avec plusieurs occupants. Il a utilisé le modèle de filtre bayésien (une forme plus générale que HMM) pour le suivi des activités et de la localisation de plusieurs occupants. Il a également présenté quelques résultats préliminaires sur la reconnaissance de certaines activités en utilisant le filtre bayésien. Dans notre cas, on a un seul occupant et le filtre bayésien à utiliser se réduit à un HMM. Dans notre modèle HMM, l’état représente la localisation et l’activité de l’occupant : { },x r a t t t = : État de l’occupant à l’instant t. Avec : - { }: 'r R l ensemble des pièces t ∈ représente la pièce dans laquelle se trouve l’occupant à l’instant t. - { },a mobile immobile t ∈ représente l’activité de l’occupant à l’instant t. Chaque observation Ot comporte la valeur de l’ensemble des capteurs eit : { }, ,..., 1 2 O e e e t t t Et = , E : nombre de capteurs. Le modèle de mouvement représente la probabilité de transition de l’état xt-1 à l’instant t-1 à l’état actuel xt : ( ) ( ) ( )1 1 1 P X x X x P a x P r x t t t t t t t t = = = ∗ 1− − − − Avec : - ( )1 P r x t t − : probabilité de transition à une pièce rt, étant données la pièce précédente et l’activité précédente. e-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12 - ( )1 P a x t t − : probabilité de transition à une activité at, étant données la pièce précédente et l’activité précédente. La matrice de transition A indique les probabilités de transition d'un état à l'autre : ( )A a ij = , 1 a P X x X x ij t j t i ⎛ ⎞= = =⎜ ⎟−⎝ ⎠ . Le modèle de capteur représente la probabilité de voir l’observation Ot à l’état xt : ( ) ( )P O X x P e X x t t t it t t i E = = =∏ ∈ Avec : - ( )P e X x it t t = : probabilité d’observation de l’activation du capteur i, étant donnés l’endroit et l’activité de l’occupant. La matrice d’observation B indique les probabilités d'observation associées aux états : ( )B b jk = , b P O X x jk k t j ⎛ ⎞ = =⎜ ⎟ ⎝ ⎠ . Une distribution d'états initiaux est ( ) i π π= , ( )1 P X x i π = = i . L’ensemble des paramètres du modèle est ( ), ,A Bλ π= . La probabilité d’observation d’une séquence (P O )λ est la probabilité du modèle de générer cette séquence d’observation. Dans l’étape d’apprentissage, la réalisation d’une ADL de l’occupant cause une séquence d’activations des capteurs. Après une étape de traitement préliminaire, nous recevons une séquence d’observations spécifiques représentant cette ADL. Pour chaque ADL, on construit un modèle HMM. Les paramètres du modèle ... 1 2 O O O O T = ( ), ,A Bλ π= sont estimés de façon à maximiser la probabilité du modèle de générer la séquence d’observations représentant cette ADL ( )P O λ . Dans l’étape de reconnaissance, la séquence d’activations des capteurs d’une activité inconnue est traitée pour recevoir une séquence d’observations représentant cette activité. On calcule la probabilité d’observation de cette séquence pour tous les modèles construits ,1nP O n Nλ⎛ ⎞ ≤ ≤⎜ ⎟ ⎝ ⎠ , N : nombre d’ADL. Cette activité inconnue correspondra à l’ADL dont le modèle a la probabilité d’observation la plus haute, * argmax 1 nn P O n N λ ⎡ ⎤⎛ ⎞= ⎜ ⎟⎢ ⎥⎝ ⎠⎣ ⎦≤ ≤ . La figure 10 présente le modèle HMM pour l’activité ‘manger’. Ce modèle a 4 états : couloir mobile, couloir immobile, cuisine mobile et cuisine immobile, et 4 observations : état du capteur de couloir actif, état du capteur de couloir inactif, état du capteur de la cuisine actif et état du capteur de la cuisine inactif. Figure 10 : HMM pour l’activité ‘manger’ A partir des données du scenario réalisé à la plateforme HIS, nous construisons 3 modèles HMM correspondants aux 3 cas particuliers de l’activité ‘manger’ qui existent dans notre scenario (nous avons simulé le cas où la personne va déjeuner à l’extérieur) : petit-déjeuner, goûter, dîner. Les 3 activités se réalisent dans les mêmes pièces. Donc, les modèles HMM des 3 activités ont les mêmes états et les mêmes observations. Les paramètres de chaque modèle sont estimés par une étape d’apprentissage avec la séquence d’observations correspondante. Dans le tableau ci-dessous, on a 3 séquences d’observations à reconnaître. Chaque ligne correspond à une séquence d’observation à reconnaître. Chaque colonne correspond à un modèle HMM appris. Pour chacune des séquences d’observation 1, 2 et 3, on calcule la probabilité d’observation de cette séquence dans chacun des 3 modèles (correspondant aux colonnes). Chaque case contient le logarithme de la probabilité d’observation ( ( )( )log P O λ ) de la séquence de cette ligne dans le modèle HMM de cette colonne. Séquence à reconnaître HMM Petit- déjeuner Goûter Dîner Séq. 1 Petit-déjeuner -145,96 -157,96 -159,66 Séq. 2 Goûter -93,67 -60,63 -66,83 Séq. 3 Dîner -Inf -Inf -234,05 Les cases dans la diagonale, contenant la probabilité la plus haute dans chaque ligne, présentent une correspondance entre le modèle HMM d’une activité et la séquence d’observation représentant cette activité. Ce résultat nous permet de classifier les différentes activités qui se réalisent dans une même pièce. Par exemple, on peut classifier les activités dans la cuisine : prendre des repas, faire la vaisselle, cuisiner ou les activités dans la chambre : dormir, se reposer, s’habiller. C’est une étape indispensable pour évaluer les ADL concernant l’alimentation et l’habillage. Pour les données réelles provenant de la plateforme AILISA, une phase d’apprentissage est nécessaire afin de construire les modèles. Pour cela, il faut connaître les habitudes de vie de l’occupant, et en particulier le moment exact de début et de fin de chaque ADL dans la séquence d’activations des capteurs. Après cette phase d’apprentissage (sur quelques jours), les modèles HMM permettront de reconnaître les ADL pour les jours suivants. V. CONCLUSION Le travail présenté dans cet article est un premier pas vers un outil d’aide à l’évaluation automatique de la dépendance d’une personne âgée, n’utilisant que des informations provenant de capteurs de présence, non invasifs, disposés dans un HIS. Il permet, dans un premier temps, de retrouver la séquence dese-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12 états mobiles et immobiles de la personne dans les différentes pièces de son habitat. Puis, à partir de ces séquences, l’utilisation des HMM nous permet de reconnaître certaines des ADL qui nous intéressent. Les outils présentés ici ont été validés sur un cas simplifié, résultant d’une simulation des activités de la vie quotidienne. Nous travaillons maintenant à leur application sur des données réelles provenant d’un HIS habité (plateforme AILISA). Lorsqu’on saura reconnaître les ADL, on pourra utiliser ces résultats pour caractériser des séquences d’activités représentatives de modifications du comportement, traduisant une perte d’autonomie. VI. REFERENCES [1] Colin C. et Coutton V., « Le nombre de personnes âgées dépendantes - d’après l’enquête Handicaps, incapacités, dépendance », Études et Résultats, n° 94, décembre 2000, DREES (http://www.sante.gouv.fr/drees/). [2] Mesrine A., « Les places dans les établissements pour personnes âgées en 2001-2002 », Études et Résultats, n° 263, octobre 2003, DREES. [3] Collège national des enseignants de gériatrie, « Chapitre 8 - Autonomie et dépendance », Corpus de Gériatrie, Tome 1, 185 p., Janvier 2000. [4] Katz S., Ford A.B., Moskowitz R.W., Jackson B.A. et Jaffe M.W., « Studies of illness in the aged: The index of ADL, a standardized measure of biological and psychosocial function », Journal of the American Medical Association, 1963, 185, 914-919. [5] Katz S., Downs T.D., Cash H.R. et Grotz R.C., « Progress in development of the index of ADL », The Gerontologist, 1970, p. I, 20-30. [6] Katz S., « Assessing self-maintenance: Activities of daily living, Mobility, and Instrumental activities of daily living », Journal of the American Geriatrics Society, 1983, vol. 31, n° 12, 721-727. [7] Lawton M.P. et Brody E.M., « Assessment of older people: Self-maintaining and Instrumental activities of daily living », The Gerontologist, 1969, 9(3), 179-186. [8] Benaim C., Froger J., Compan B. et Pélissier J., « Evaluation de l’autonomie de la personne âgée », Annales de réadaptation et de médecine physique, 2005, 48, 336-340. [9] Noury N., Virone G., Ye J., Rialle V. et Demongeot J., « Nouvelles directions en habitats intelligents pour la santé », ITBM-RBM, 2003, 24, 122-135. [10] Steenkeste F., Bocquet H., Chan M. et Campo E., « La mise en place d’une technologie pour observer le comportement nocturne des personnes âgées en institution », ITBM-RBM, 2001, 22, 25-30. [11] http://www.laas.fr/PROSAFE/ [12] Ohta S., Nakamoto H., Shinagawa Y. et Tanikawa T., « A health monitoring system for elderly people living alone », Journal of Telemedicine and Telecare, 2002, 8, 151-156. [13] Banerjee S., Steenkeste F., Couturier P., Debray M. et Franco A., « Telesurveillance of elderly patients by use of passive infra-red sensors in a ‘smart’ room », Journal of Telemedicine and Telecare, 2003, 9, 23-29. [14] Virone G., « Architecture et simulation locales du système d’information domotique-santé intégré à domicile (SID2 ) pour la détection de situations à risque et l’aide à la décision», Thèse de doctorat de l’UJF, 2003. [15] LeBellego G., Noury N., Virone G., Mousseau M. et Demongeot J., « A model for the measurement of patient activity in a hospital suite », IEEE Transactions on information technology in biomedicine, vol. 9, n° 4, 2005. [16] Wilson D.H., « Assistive intelligent environments for automatic health monitoring », Thèse de doctorat de Carnegie Mellon University – Robotics Institute, 2005. [17] Barralon P., « Classification et fusion de données actimétriques pour la télévigilance médicale », Thèse de doctorat de l’UJF, 2005. [18] Rabiner L.R., « A tutorial on Hidden Markov Models and selected applications in speech recognition », Proceedings of the IEEE, vol. 77, n° 2, 1989. e-STA copyright © 2007 by see Volume 4 (2007), N°3 pp 7-12