Home

29.05.2018

Détecter les chutes des seniors grâce au machine learning

Dominique Genoud
Analyse des données des accéléromètres : Une chute "classique" montre un schéma relativement facile à identifier. Une glissade par contre se confond dans les activités quotidienne.

Initié lors d’une conférence TechnoArk, le projet scientifique de Dominique Genoud a abouti avec le déploiement sur Android d’une solution utilisant le machine learning pour reconnaître les petites chutes et glissades chez les seniors. Un vrai défi technique dans le domaine de la santé digitale relevé avec succès par ce professeur de la HES-SO Valais-Wallis et son équipe.
 
 
Quel est votre projet ?
Nous avons conçu une machine capable d’apprendre et d’identifier les patterns de chutes dites soft. Ce type de chute, très courante chez les seniors, est très difficile à distinguer contrairement à une chute classique. Il nous fallait donc développer un système qui puisse s’intégrer et améliorer un logiciel préexistant (et en cours d’utilisation) sur une montre connectée.

 

Pourquoi vous être lancé dans ce projet ?
C’est lors d’une conférence TechnoArk que nous avons discuté avec l’un des participants présents. Il avait une montre de reconnaissance de chutes avec un logiciel, mais il trouvait qu’il manquait de précision. Le projet nous a rapidement emballés et nous avons réalisé cette collaboration avec réussite.

 

Quels ont été les grandes difficultés pour réaliser ce projet ?
Le grand défi du projet, c’était de trouver une solution pour identifier ce qu’on appelle des soft falls. C’est-à-dire des glissades depuis des lits ou des chaises. Une chute « classique » est très clairement identifiable, car elle provoque un pic caractéristique dans les données des accéléromètres. Mais une simple glissade se confond avec des mouvements du quotidien. Pour résoudre ce problème, nous avons dû faire beaucoup de mathématiques et profiter des progrès récents réalisés dans le domaine du machine learning.

 

Quelles données de santé utilisez-vous ?
Pour ce projet, nous avons fait appel à des civilistes pour qu’ils simulent le plus de soft falls différentes. Ces données nous ont permis de « nourrir » notre algorithme pour l’aider à reconnaître des motifs caractéristiques dans les informations récoltées par les accéléromètres de la montre.

 

 Comment espérez-vous contribuer à la santé digitale ?
Il y a quelques années, les médecins déduisaient l’état de santé des patients à partir d’une seule mesure de quelques secondes. Par exemple, les battements cardiaques. Aujourd’hui, on a évolué vers une captation en continu des signaux vitaux et cela offre l’opportunité de faire des diagnostics beaucoup plus précis.
Ce projet scientifique est une amélioration concrète d’un dispositif qui existait déjà, mais dont la précision était anecdotique. La détection des chutes est assurée dans près de 90% de cas.
Dans le domaine de la santé des seniors, cet aspect est très important, car les chutes peuvent avoir de lourdes conséquences. Les récits de patients qui ont chuté et qui sont restés des heures sur le sol faute de pouvoir se relever montrent que cela constitue un véritable problème.

 

Vous pouvez retrouver la présentation du projet par le prof. Genoud sur le site de Klewel : Soft falls and machine learning
 

Propos recueillis le 26 janvier 2018 lors de la Conférence TechnoArk à Sierre

 

 

comments powered by Disqus
Fondation The Ark - Route du Rawyl 47 - 1950 Sion - Suisse | Intranet The Ark