[go: up one dir, main page]

WO2025093422A1 - Techniques de traitement de données et d'estimation de tension artérielle - Google Patents

Techniques de traitement de données et d'estimation de tension artérielle Download PDF

Info

Publication number
WO2025093422A1
WO2025093422A1 PCT/EP2024/080136 EP2024080136W WO2025093422A1 WO 2025093422 A1 WO2025093422 A1 WO 2025093422A1 EP 2024080136 W EP2024080136 W EP 2024080136W WO 2025093422 A1 WO2025093422 A1 WO 2025093422A1
Authority
WO
WIPO (PCT)
Prior art keywords
patterns
data
signal
blood pressure
peak time
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
PCT/EP2024/080136
Other languages
English (en)
Inventor
Seyfeddine BOUKHTACHE
Alain PRUSKI
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
I Virtual
Original Assignee
I Virtual
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 I Virtual filed Critical I Virtual
Publication of WO2025093422A1 publication Critical patent/WO2025093422A1/fr
Pending legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/021—Measuring pressure in heart or blood vessels
    • 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
    • A61B5/7221—Determining signal validity, reliability or quality
    • 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
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device

Definitions

  • the invention relates to the field of signal and data processing, particularly physiological data.
  • the invention is of particular, non-limiting interest for estimating blood pressure, in particular from a signal obtained by photoplethysmography or another type of cardiac signal.
  • the invention aims to overcome all or part of the drawbacks of the techniques of the prior art.
  • the subject of the invention is a method for processing data, in particular physiological data, also called “data to be processed”.
  • the processing method of the invention aims to constitute exploitable data from such data to be processed.
  • the data to be processed includes at least one signal that forms a plurality of patterns.
  • the at least one signal is a photoplethysmographic signal whose patterns are representative of an individual's heartbeats.
  • the pattern(s) not meeting at least one similarity criterion are not selected and are therefore not used to form said exploitable data.
  • Such a selection makes it possible to exploit only patterns likely to contain useful information. Indeed, in a signal comprising patterns of which at least some are representative of the same phenomenon, in this example a heartbeat, a pattern which is not similar to patterns actually carrying useful information – the latter being in this example relating to a heartbeat – is probably a pattern not containing useful or exploitable information.
  • the average pattern(s) not meeting at least one similarity criterion are not selected and are therefore not used to form said exploitable data.
  • said plurality of patterns of the at least one signal are patterns selected from initial patterns meeting at least one predetermined quality criterion.
  • the initial pattern(s) not meeting at least one quality criterion are not selected and therefore do not constitute said plurality of patterns subject to the aforementioned steps, in particular the selection based on at least one similarity criterion.
  • This list is of course not exhaustive and may include other quality criteria, for example a criterion relating to similarity to a predetermined reference pattern.
  • said at least one signal comprises several signals and said physiological data comprises one or more groupings each comprising several data sets, each of these data sets comprising a respective one of said signals as well as at least one blood pressure value.
  • the at least one blood pressure value may include both a systolic blood pressure value and a diastolic blood pressure value, or only one of these values.
  • the processing method comprises selecting the one or more clusters in each of which the blood pressure values of the datasets in that cluster are within a corresponding predetermined range of values and/or have a variability less than a predetermined value.
  • the other group(s) are not selected and the signals which they comprise therefore do not form said plurality of patterns which are the subject of the aforementioned steps, in particular the selection based on at least one similarity criterion.
  • the processing method comprises an operation of collecting said data.
  • the signals be acquired consecutively within each of the groupings.
  • the term "consecutive" means that the time interval between two successive data sets from the same grouping is relatively short compared to the time interval between two successive data sets each belonging to a different grouping.
  • the time interval between two signals acquired successively within the same grouping can be of the order of a few seconds or minutes, while the time interval between two signals acquired successively within two different groupings can be of the order of several hours.
  • the invention relates to a method for training an artificial intelligence model, also called “model” in this document.
  • the training of the model is preferably carried out using training data which is formed from data processed by a processing method as defined above.
  • the training data can be trained using any other method.
  • the training data is formed from data collected using a collection operation similar to that described above.
  • the signals have been acquired consecutively within each of the groupings.
  • an output of the model is formed by a difference between the at least one blood pressure value of the test set and the at least one blood pressure value of the personalization set.
  • a third input of the model receives data obtained from data in the test set and/or the personalization set.
  • the data provided to one or more of said model inputs comprises two-dimensional data which may for example be obtained by time-frequency transformation of one or more of said signals and/or patterns.
  • Such a training process allows the model to carry out learning which inherently involves personalization per individual.
  • a single model thus trained can then be used to correctly estimate a blood pressure value with input data from different individuals.
  • the invention relates to a method for estimating a physiological parameter such as a blood pressure value of one or more individuals, using an artificial intelligence model trained with a training method as defined above.
  • the invention relates to a device comprising a processing unit configured to implement a method according to any one of the aspects defined above, preferably to implement all of the methods described above.
  • the device comprises at least one sensor for measuring at least one physiological signal and/or at least one physiological parameter.
  • the at least one sensor may include a sensor for measuring a heartbeat signal, for example a piezoelectric sensor or a pressure sensor or a sensor comprising a camera capable of collecting a stream of images of an individual's face in order to generate a photoplethysmographic signal.
  • a sensor for measuring a heartbeat signal for example a piezoelectric sensor or a pressure sensor or a sensor comprising a camera capable of collecting a stream of images of an individual's face in order to generate a photoplethysmographic signal.
  • the at least one sensor may also include a blood pressure monitor type sensor, for measuring the blood pressure of an individual.
  • the invention relates to a computer program comprising executable computer instructions which, when executed by computer, implement a method according to any one of the aspects defined above, preferably several and more preferably all of the methods described above and steps which they comprise.
  • the computer program can be in any computer language, for example, machine language, C, C++, JAVA, Python, etc.
  • this method implements a conventional artificial intelligence model of the regressive neural network type, in this example a deep learning convolutional neural network.
  • the method of the comprises a phase 1 of building training data, a phase 2 of training the model using the training data, a phase 3 of building input data and a phase 4 of prediction in which the input data are provided to the trained model.
  • construction phase 1 includes an operation 6 of data collection, an operation 7 of preprocessing the collected data, an operation 8 of processing the preprocessed data, and an operation 9 of evaluating the data thus processed.
  • Collection operation 6 includes an acquisition of N series of data sets, called “collected data sets”, each of the series comprising data from a respective individual.
  • the number N of series, and therefore of individuals, is generally greater than one, preferably greater than two and more preferably greater than ten or one hundred. In this example, N is equal to 1000.
  • the number M of data sets forming the series associated with this individual is generally greater than one, preferably greater than two and more preferably of the order of ten or one hundred.
  • the cardiac signal may correspond to a signal having a predetermined duration T, for example a duration of 30 seconds, acquired for example using a photoplethysmography (PPG) technique, thus forming a photoplethysmographic signal.
  • a predetermined duration T for example a duration of 30 seconds
  • PPG photoplethysmography
  • the systolic blood pressure and the diastolic blood pressure are measured using a conventional blood pressure monitor during the acquisition of the corresponding cardiac signal.
  • the collection 6 is carried out so as to acquire, for each of the individuals, a series of data sets forming several groupings which each comprise a number L of data sets acquired consecutively, that is to say by defining a time interval between two successive data sets of the same grouping which is relatively short.
  • this intra-grouping time interval may be of the order of ten seconds between two signals.
  • the data of two successive groupings of the same series are acquired by defining a relatively long inter-grouping time interval, for example of the order of four hours between two signals.
  • the number L of datasets in this grouping is generally greater than one, preferably greater than two, for example equal to three.
  • each of the dataset series has a number of clusters equal to M/L.
  • all data for each series can be acquired over an overall period of several weeks or months, for example five weeks.
  • Preprocessing operation 7 typically includes one or more steps of preprocessing the cardiac signal from each of the collected data sets.
  • preprocessing operation 7 implements, for the cardiac signal of each of the collected data sets, the three steps listed above, preferably carried out in the order in which they are listed.
  • Such preprocessing makes it possible to remove noise from cardiac signals and more generally to clean them in order to improve the detection of useful information they contain.
  • preprocessed data sets The data sets containing the signals thus preprocessed during operation 7 are called “preprocessed data sets”.
  • the processing operation 8 comprises in this example a succession of steps of selection and/or cleaning of the preprocessed data sets, in a non-limiting manner steps 11, 12, 13, 14 and 15 described below and shown diagrammatically in .
  • Step 11 is performed based on the blood pressure values of the datasets of each of the series.
  • Step 11 includes, for each of the data set groupings in each of the series, a selection of the groupings in each of which the blood pressure values of the corresponding data sets meet one or more blood pressure quality criteria.
  • a first blood pressure quality criterion relates to the absolute value of the blood pressure values and a second blood pressure quality criterion relates to the variability of these values.
  • Datasets from clusters not selected in step 11 are not used for further processing.
  • Step 12 is performed based on the preprocessed signals, in particular the signals from the datasets selected in step 11.
  • step 12 comprises, for each of these signals, a selection of the data set containing this signal if the patterns of this signal are representative of a heart rate having a value in a predetermined range of values, for example in the range 40-180 beats per minute.
  • one or more other criteria may be used alternatively or in addition, for example a criterion based on an instantaneous variation in heart rate.
  • Step 13 is performed based on the preprocessed signals belonging to the datasets that were selected in step 12.
  • Step 13 includes, for each of the patterns of each of these signals, a selection of this pattern if it meets one or more signal quality criteria.
  • a first signal quality criterion relates to a fluctuation and/or a signal-to-noise ratio of the portion of the signal comprising this pattern and a second signal quality criterion relates to one or more pattern parameters.
  • the pattern parameters may be selected from a list including, but not limited to, a peak time, a systolic peak time, a diastolic peak time, an interval between the systolic peak time and the diastolic peak time, a dicrotic notch time, an instantaneous heart rate, an instantaneous heart rate variation, a pattern amplitude, and an amplitude difference between a pattern start time and a pattern end time.
  • Step 14 is performed on the basis of the preprocessed signals in which several patterns were selected in step 13. Datasets whose signal does not contain any pattern selected in step 13, or too few patterns are selected, for example less than two, are not used in further processing.
  • Step 14 includes, for each of these signals, a selection of patterns meeting one or more similarity criteria with respect to one or more other patterns of this signal.
  • Similarity criteria can be based on correlation and/or absolute value difference.
  • Step 15 is performed on the basis of the preprocessed signals in which several patterns were selected in step 14. Datasets whose signal does not contain any pattern selected in step 14, or too few patterns are selected, for example less than four, are not used in further processing.
  • step 15 comprises, for each of these signals, processing this signal to form average patterns and comparing these average patterns so as to select this signal if the average patterns are sufficiently similar.
  • step 15 comprises, for each of these signals, a calculation of the number of patterns in several parts of this signal, these signal parts each being able to correspond to a fraction 1/P of this signal, P preferably being an integer greater than or equal to two, for example equal to two.
  • this signal is selected if the number of patterns in at least one of these parts is greater than a predetermined value, for example greater than one.
  • step 15 implements signal processing consisting of normalizing the patterns of this signal and correcting their shape.
  • shape correction may consist of modifying the signal so that each pattern has an identical amplitude between the pattern start time and the pattern end time.
  • An average pattern may, for example, correspond to a pattern each of whose values corresponds to the average of the corresponding values of the patterns in that part.
  • the values of the patterns used to calculate the average may be weighted by a quality factor associated with the corresponding pattern, for example based on a similarity rate of that pattern compared to the other patterns in the signal.
  • this signal is selected here if the average patterns of this signal meet one or more similarity criteria.
  • the similarity criteria can be based on a correlation and/or an absolute difference in values.
  • the pattern parameters for the average patterns may be the same as those used for the initial patterns and may therefore be chosen from a list including, but not limited to, a peak time, a systolic peak time, a diastolic peak time, an interval between the systolic peak time and the diastolic peak time, a dicrotic notch time, and an amplitude difference between a pattern start time and a pattern end time.
  • Processed data sets Data sets containing a signal selected after operation 15 are called “processed data sets”.
  • the evaluation operation 9 comprises a step of evaluating the quality of the data sets processed for each of the series, in order to determine whether the processed data of each of the individuals can be used for the training phase 2.
  • this step includes, for each of the processed data sets of each of the series, a calculation of a correlation between one or more parameters of the average patterns of the signal of this set – the average patterns being in this example calculated during step 15 of processing 8 – and the systolic and/or diastolic blood pressure value.
  • the correlation thus calculated is greater than a predetermined coefficient, for example 0.9, for at least one of the parameters and for all the processed data sets of a given series, the data sets of this series are selected.
  • operation 9 also includes a step of evaluating the homogeneity of all the series of data sets thus selected.
  • This step typically allows one or more of said series to be discarded and/or one or more new series to be acquired, so as to obtain a set of data set series which is homogeneous according to one or more homogeneity criteria.
  • said homogeneity criteria may relate to a homogeneous inter-series distribution in terms of blood pressure values, and/or in terms of age and/or gender of the corresponding individuals.
  • Phase 1 which has just been described, thus makes it possible to construct data sets forming several series, each of which corresponds to a respective individual.
  • the datasets thus constructed are used to train the model, as described below.
  • the datasets resulting from the implementation of phase 1 can be used for other purposes, for example for an analysis not involving an artificial intelligence model.
  • phase 2 of the method is a phase of training the model using series of training data sets formed by the series of data sets constructed in phase 1 described above.
  • the training data can be constructed in a different way, for example by carrying out a processing of collected data which includes only part of the selection steps described above and/or which includes one or more other processing steps.
  • This step is repeated iteratively using as test data each of the training datasets of the same series not forming the personalization data, this by iteratively using as personalization data each of the training datasets of the same series.
  • the learning may be enhanced by using a third input formed by at least one parameter of the average patterns of the set forming the test data and/or the set forming the personalization data.
  • the signals and patterns forming the inputs of the model can be one-dimensional, i.e. of a temporal nature, or two-dimensional, for example by carrying out a prior time-frequency transformation of the corresponding signals or patterns.
  • training can be performed using a conventional training algorithm, for example a gradient backpropagation algorithm.
  • phase 3 of the method of the this allows the input data of the model to be constituted during the prediction phase 4.
  • operation 21 comprises a consecutive acquisition of three datasets analogous to the datasets of a cluster obtained during collection operation 6 of phase 1, the corresponding description applying by analogy.
  • the signals acquired during collection operation 22 are cardiac signals similar to the signals acquired during collection operation 6 of phase 1, the corresponding description applying by analogy.
  • the prediction signals are constructed based on photoplethysmographic signals each comprising patterns that each correspond to a respective heartbeat of that individual.
  • phase 3 of the method comprises a pre-processing operation 23 and a processing operation 24 of these different data which are analogous to operations 7 and 8 of phase 1, the corresponding description of which applies by analogy, a step such as step 11 of phase 1 being of course implemented only for the personalization data.
  • These operations 23 and 24 thus make it possible to construct said personalization data sets and said prediction signals.
  • phase 3 of the method does not of course implement steps analogous to those of operation 9 described above.
  • phase 3 can be repeated in whole or in part in order to obtain usable input data.
  • the model provides as output, for each target individual, a blood pressure value for each of the prediction signals.
  • a processing of the blood pressure values provided by the model can be carried out by removing, for example, the outliers and calculating the average of the other values.
  • the device 30 comprises a processing unit 31 and two sensors 32 and 33.
  • the processing unit 31 is configured to implement each of phases 1 to 4 of the method of the .
  • the processing unit 31 can generally form a hardware module such as a processor, an electronic chip, a calculator, a computer or even a server, and a software module such as an application, a computer program or even a virtual machine.
  • a hardware module such as a processor, an electronic chip, a calculator, a computer or even a server
  • a software module such as an application, a computer program or even a virtual machine.
  • the processing unit 31 can be integrated into a device such as a smartphone, a tablet or even a computer.
  • sensor 32 is a contact photoplethysmography sensor configured to measure a heartbeat signal by being placed in contact with an individual's skin and sensor 33 is a blood pressure monitor for measuring an individual's blood pressure.
  • each of the phases of the method of the can be implemented without resorting to one or more of the other phases of this method, or by replacing one or more of these phases with techniques different from those described above.
  • the signals used may be signals acquired using a non-contact photoplethysmography (rPPG) technique or a different technique, for example a technique for acquiring a pulse signal using a pressure sensor.
  • the data may be data of a periodic or quasi-periodic nature.
  • the construction of the data which is the subject of phase 1 of the method of the is carried out within the framework of a process devoid of a collection operation, the data to be processed being able in this case to be available in a database.
  • a process can also be devoid of one or more other steps and/or operations which are the subject of phase 1 of the method of the .
  • the invention thus covers a method comprising one or more of the steps described above with reference to the and not including operations 6, 7 and 9 of phase 1 of the method of the .

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physiology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Cardiology (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Fuzzy Systems (AREA)
  • Vascular Medicine (AREA)
  • Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)

Abstract

Procédé de traitement de données incluant au moins un signal qui forme une pluralité de motifs, par exemple un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques d'un individu, comprenant une comparaison de plusieurs desdits motifs les uns par rapport aux autres et une sélection des motifs qui respectent au moins un critère de similarité prédéterminé. Procédé d'entraînement d'un modèle d'intelligence artificielle à l'aide de données d'entraînement formées à partir de données traitées par un tel procédé de traitement. Procédé d'estimation d'un paramètre physiologique tel qu'une valeur de tension artérielle d'un ou plusieurs individus, en utilisant un modèle intelligent entraîné avec un tel procédé d'entraînement. Dispositif et programme d'ordinateur s'y rapportant.

Description

Techniques de traitement de données et d’estimation de tension artérielle
L’invention se rapporte au domaine du traitement du signal et de données, notamment physiologiques.
L’invention présente un intérêt particulier, non limitatif, pour l’estimation de la tension artérielle, en particulier à partir d’un signal obtenu par photopléthysmographie ou d’un autre type de signal cardiaque.
 État de la technique antérieure
Plusieurs techniques ont été proposées au courant des dernières années pour estimer la tension artérielle d’individus à partir de signaux photopléthysmographiques (PPG), notamment à l’aide de modèles d’intelligence artificielle.
Les inventeurs ont constaté que les techniques connues produisent des erreurs d’estimation fréquentes et que la précision des estimations dépend fortement des individus.
L’invention vise à pallier tout ou partie des inconvénients des techniques de l’art antérieur.
Selon un premier aspect de l’invention, celle-ci a pour objet un procédé de traitement de données, notamment de données physiologiques, aussi appelées « données à traiter ».
De manière générale, le procédé de traitement de l’invention vise à constituer des données exploitables à partir de telles données à traiter.
Les données à traiter incluent au moins un signal qui forme une pluralité de motifs.
À titre d’exemple non limitatif, l’au moins un signal est un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques d’un individu.
Selon l’invention, le procédé de traitement comprend :
  • une comparaison de plusieurs desdits motifs les uns par rapport aux autres, et
  • une sélection des motifs qui respectent au moins un critère de similarité prédéterminé.
Autrement dit, le ou les motifs ne respectant pas l’au moins un critère de similarité ne sont pas sélectionnés et ne sont donc pas utilisés pour former lesdites données exploitables.
Une telle sélection permet de n’exploiter que des motifs susceptibles de contenir une information utile. En effet, dans un signal comportant des motifs dont certains au moins sont représentatifs d’un même phénomène, dans cet exemple un battement cardiaque, un motif qui n’est pas similaire à des motifs portant effectivement une information utile – cette dernière étant dans cet exemple relative à un battement cardiaque – est probablement un motif ne contenant pas d’information utile ou exploitable.
Dans un mode de réalisation, l’au moins un critère de similarité est choisi dans une liste incluant :
  • un coefficient de corrélation supérieur à une valeur prédéterminée,
  • un écart entre une valeur d’au moins un paramètre de motif et une valeur prédéterminée inférieur à un écart prédéterminé, l’au moins un paramètre pouvant être choisi dans une liste incluant un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique et un temps d’encoche dicrote.
Cette liste n’est bien entendu pas limitative et peut comprendre d’autres critères de similarité, par exemple à l’aide d’une technique d’apprentissage machine de type partitionnement de données.
Dans un mode de réalisation, le procédé de traitement comprend :
  • une construction de motifs moyens chacun à partir d’au moins deux respectifs desdits motifs sélectionnés,
  • une comparaison des motifs moyens les uns par rapport aux autres,
  • une sélection des motifs moyens si ceux-ci respectent au moins un critère de similarité prédéterminé.
De manière non limitative, l’au moins un critère de similarité utilisé pour sélectionner des motifs moyens peut être choisi dans la liste indiquée ci-dessus, c’est-à-dire dans une liste incluant :
  • un coefficient de corrélation supérieur à une valeur prédéterminée,
  • un écart entre une valeur d’au moins un paramètre de motif et une valeur prédéterminée inférieur à un écart prédéterminé, l’au moins un paramètre pouvant être choisi dans une liste incluant un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique et un temps d’encoche dicrote.
Autrement dit, le ou les motifs moyens ne respectant pas l’au moins un critère de similarité ne sont pas sélectionnés et ne sont donc pas utilisés pour former lesdites données exploitables.
Dans un mode de réalisation, ladite pluralité de motifs de l’au moins un signal sont des motifs sélectionnés parmi des motifs initiaux respectant au moins un critère de qualité prédéterminé.
Le ou les motifs initiaux ne respectant pas l’au moins un critère de qualité ne sont pas sélectionnés et ne constituent donc pas ladite pluralité de motifs faisant l’objet des étapes précitées, en particulier la sélection basée sur l’au moins un critère de similarité.
Dans un mode de réalisation, l’au moins un critère de qualité est choisi dans une liste incluant :
  • un rapport signal sur bruit inférieur à une valeur prédéterminée,
  • un écart entre une valeur d’au moins un paramètre de motif et une valeur prédéterminée inférieur à un écart prédéterminé, l’au moins un paramètre pouvant être choisi dans une liste incluant un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique, un temps d’encoche dicrote, un rythme cardiaque instantané, une variation de rythme cardiaque instantané, une amplitude de motif et une différence d’amplitude entre un temps de début de motif et un temps de fin de motif.
Cette liste n’est bien entendu pas limitative et peut comprendre d’autres critères de qualité, par exemple un critère relatif à la similarité par rapport à un motif de référence prédéterminé.
Dans un mode de réalisation, ledit au moins un signal comprend plusieurs signaux et lesdites données physiologiques comprennent un ou plusieurs groupements comportant chacun plusieurs jeux de données, chacun de ces jeux de données comprenant l’un respectif desdits signaux ainsi qu’au moins une valeur de tension artérielle.
De manière non limitative, l’au moins une valeur de tension artérielle peut comprendre à la fois une valeur de tension artérielle systolique et une valeur de tension artérielle diastolique, ou une seule de ces valeurs.
Dans un mode de réalisation, le procédé de traitement comprend une sélection du ou des groupements dans chacun desquels les valeurs de tension artérielle des jeux de données de ce groupement sont dans une plage de valeurs prédéterminée correspondante et/ou présentent une variabilité inférieure à une valeur prédéterminée.
Autrement dit, le ou les autres groupements ne sont pas sélectionnés et les signaux qu’il comportent ne forment donc pas ladite pluralité de motifs faisant l’objet des étapes précitées, en particulier la sélection basée sur l’au moins un critère de similarité.
Dans un mode de réalisation, le procédé de traitement comprend une opération de collecte desdites données.
L’opération de collecte comprend de préférence, pour chacun parmi un ou plusieurs individus, une acquisition de plusieurs groupements de jeux de données, chacun des jeux de données comprenant :
  • un signal qui forme une pluralité de motifs, de préférence un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques de cet individu,
  • au moins une valeur de tension artérielle de cet individu, par exemple une valeur de tension artérielle systolique et/ou une valeur de tension artérielle diastolique.
Il est préféré que les signaux soient acquis de manière consécutive au sein de chacun des groupements.
Le terme « consécutif » signifie que l’intervalle temporel entre deux jeux de données successifs d’un même groupement est relativement court par rapport à l’intervalle temporel entre deux jeux de données successifs appartenant chacun à un groupement différent. À titre indicatif, l’intervalle temporel entre deux signaux acquis successivement au sein d’un même groupement peut être de l’ordre de quelques secondes ou minutes, tandis que l’intervalle temporel entre deux signaux acquis successivement au sein de deux groupements différents peut être de l’ordre de plusieurs heures.
Selon un deuxième aspect, l’invention a pour objet un procédé d’entraînement d’un modèle d’intelligence artificielle, aussi appelé « modèle » dans le présent document.
L’entraînement du modèle est de préférence réalisé à l’aide de données d’entraînement qui sont formées à partir de données traitées par un procédé de traitement tel que défini ci-dessus.
Alternativement, les données d’entraînement peuvent être formées à l’aide de tout autre procédé.
Dans un mode de réalisation, les données d’entraînement sont formées à partir de données collectées à l’aide d’une opération de collecte semblable à celle décrite ci-dessus.
Les données collectées peuvent ainsi comprendre, pour chacun parmi un ou plusieurs individus, plusieurs groupements de jeux de données, chacun des jeux de données comprenant :
  • un signal qui forme une pluralité de motifs, de préférence un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques de cet individu,
  • au moins une valeur de tension artérielle de cet individu, par exemple une valeur de tension artérielle systolique et/ou une valeur de tension artérielle diastolique.
Il est préféré que les signaux aient été acquis de manière consécutive au sein de chacun des groupements.
Dans un mode de réalisation, les données sont utilisées de sorte que :
  • une première entrée du modèle reçoive des données obtenues sur la base du signal et de l’au moins une valeur de tension artérielle de l’un des jeux de données de l’un des individus, ce jeu étant appelé jeu de personnalisation,
  • une deuxième entrée du modèle reçoive des données obtenues sur la base du signal d’un autre desdits jeux de données de cet individu, cet autre jeu étant appelé jeu de test.
Dans un mode de réalisation, lors de l’entraînement, une sortie du modèle est formée par une différence entre l’au moins une valeur de tension artérielle du jeu de test et l’au moins une valeur de tension artérielle du jeu de personnalisation.
Dans un mode de réalisation, une troisième entrée du modèle reçoit des données obtenues à partir de données du jeu de test et/ou du jeu de personnalisation.
Dans une variante de réalisation, les données fournies à une ou plusieurs desdites entrées du modèle comprennent des données bidimensionnelles qui peuvent par exemple être obtenues par transformation temps-fréquence d’un ou plusieurs desdits signaux et/ou motifs.
Un tel procédé d’entraînement permet au modèle de réaliser un apprentissage qui comporte intrinsèquement une personnalisation par individu.
Un unique modèle ainsi entraîné peut ainsi être utilisé pour estimer correctement une valeur de tension artérielle avec des données d’entrée provenant d’individus différents.
Selon un troisième aspect, l’invention a pour objet un procédé d’estimation d’un paramètre physiologique tel qu’une valeur de tension artérielle d’un ou plusieurs individus, en utilisant un modèle d’intelligence artificielle entraîné avec un procédé d’entraînement tel que défini ci-dessus.
Bien entendu, les différents procédés décrits ci-dessus sont de préférence mis en œuvre par ordinateur.
En outre, les différents procédés décrits ci-dessus sont indépendants les uns des autres et peuvent chacun être mis en œuvre de manière autonome, optionnellement en combinaison avec d’autres techniques non décrites dans le présent document.
Les différents procédés de l’invention peuvent bien entendu être combinés les uns avec les autres, l’invention ayant aussi pour objet une méthode mettant en œuvre un procédé de traitement tel que décrit ci-dessus et/ou un procédé d’entraînement tel que décrit ci-dessus et/ou un procédé d’estimation tel que décrit ci-dessus.
Selon un quatrième aspect, l’invention a pour objet un dispositif comprenant une unité de traitement configurée pour mettre en œuvre un procédé selon l’un quelconque des aspects définis ci-dessus, de préférence pour mettre en œuvre l’ensemble des procédés décrits ci-dessus.
Dans un mode de réalisation, le dispositif comprend au moins un capteur de mesure d’au moins un signal physiologique et/ou d’au moins un paramètre physiologique.
À titre d’exemple, l’au moins un capteur peut comprendre un capteur pour mesurer un signal de battement cardiaque, par exemple un capteur piézoélectrique ou un capteur de pression ou un capteur comportant une caméra apte à collecter un flux d’images d’un visage d’un individu afin de générer un signal photopléthysmographique.
L’au moins un capteur peut aussi comprendre un capteur de type tensiomètre, pour mesurer la tension artérielle d’un individu.
Selon un cinquième aspect, l’invention a pour objet un programme d’ordinateur comprenant des instructions informatiques exécutables qui, lorsqu’elles sont exécutées par ordinateur, mettent en œuvre un procédé selon l’un quelconque des aspects définis ci-dessus, de préférence plusieurs et plus préférentiellement l’ensemble des procédés décrits ci-dessus et étapes qu’ils comprennent.
Le programme d’ordinateur peut être en tout langage informatique, par exemple en langage machine, C, C++, JAVA, Python, etc.
D’autres avantages et caractéristiques de l’invention apparaîtront à la lecture de la description détaillée, non limitative, qui suit.
La description détaillée qui suit fait référence aux dessins annexés sur lesquels :
  • est une vue schématique d’une méthode conforme à l’invention, comprenant une phase de construction de données d’apprentissage, une phase d’entraînement d’un modèle d’intelligence artificielle à l’aide des données d’apprentissage, une phase de construction de données d’entrée et une phase de prédiction dans laquelle les données d’entrée sont fournies au modèle entraîné ;
  • est une vue schématique d’un procédé de traitement de données conforme à l’invention, ce procédé pouvant être mise en œuvre dans la phase de construction de la méthode de la  ;
  • est une vue schématique d’un dispositif conforme à l’invention, ce dispositif pouvant être utilisé pour mettre en œuvre tout ou partie de la méthode de la .
Description détaillée de modes de réalisation
Dans la description non limitative qui suit, plusieurs techniques innovantes sont combinées dans l’objectif nullement limitatif d’estimer une valeur de tension artérielle d’un ou plusieurs individus. Ces techniques peuvent être mises en œuvre indépendamment les unes des autres, dans des applications et/ou des procédés et/ou des dispositifs différents de ceux ici décrits.
La illustre schématiquement une méthode conforme à l’invention.
De manière non limitative, cette méthode met en œuvre un modèle d’intelligence artificielle conventionnel de type réseau neuronal régressif, dans cet exemple un réseau neuronal convolutif à apprentissage profond.
De manière générale, la méthode de la comprend une phase 1 de construction de données d’apprentissage, une phase 2 d’entraînement du modèle à l’aide des données d’apprentissage, une phase 3 de construction de données d’entrée et une phase 4 de prédiction dans laquelle les données d’entrée sont fournies au modèle entraîné. Ces différentes phases et/ou les étapes et/ou opérations qu’elles contiennent peuvent chacune constituer ou faire l’objet d’un procédé respectif pouvant être mis en œuvre séparément.
Dans l’exemple de la , la phase de construction 1 comprend une opération 6 de collecte de données, une opération 7 de prétraitement des données collectées, une opération 8 de traitement des données prétraitées, et une opération 9 d’évaluation des données ainsi traitées.
L’opération de collecte 6 comprend une acquisition de N séries de jeux de données, appelés « jeux de données collectées », chacune des séries comprenant des données d’un individu respectif.
Le nombre N de séries, et donc d’individus, est généralement supérieur à un, de préférence supérieur à deux et plus préférentiellement supérieur à dix ou cent. Dans cet exemple, N est égal à 1000.
Pour chaque individu, le nombre M de jeux de données formant la série associée à cet individu est généralement supérieur à un, de préférence supérieur à deux et plus préférentiellement de l’ordre de la dizaine ou de la centaine.
Dans cet exemple, chacun des jeux de données de chacune des séries comprend :
  • un signal cardiaque comprenant des motifs, aussi appelés impulsions ou battements, qui correspondent chacun à un battement cardiaque respectif de l’individu correspondant,
  • une valeur de tension artérielle systolique de cet individu,
  • une valeur de tension artérielle diastolique de cet individu.
Pour chacun des jeux de données de chacune des séries, le signal cardiaque peut correspondre à un signal ayant une durée T prédéterminée, par exemple une durée de 30 secondes, acquis par exemple à l’aide d’une technique de photopléthysmographie (PPG), formant ainsi un signal photopléthysmographique.
Dans cet exemple, pour chacun des jeux de données de chacune des séries, la tension artérielle systolique et la tension artérielle diastolique sont mesurées à l’aide d’un tensiomètre conventionnel pendant l’acquisition du signal cardiaque correspondant.
Dans l’exemple de la , la collecte 6 est réalisée de sorte à acquérir, pour chacun des individus, une série de jeux de données formant plusieurs groupements qui comportent chacun un nombre L de jeux de données acquises de manière consécutive, c’est-à-dire en définissant un intervalle temporel entre deux jeux de données successifs d’un même groupement qui est relativement court. À titre indicatif, cet intervalle temporel intra-groupement peut être de l’ordre de dix secondes entre deux signaux. Par comparaison, les données de deux groupements successifs d’une même série sont acquises en définissant un intervalle temporel inter-groupement relativement long, par exemple de l’ordre de quatre heures entre deux signaux.
Dans cet exemple, pour chacun des groupements de chacune des séries de jeux de données, le nombre L de jeux de données de ce groupement est généralement supérieur à un, de préférence supérieur à deux, par exemple égal à trois.
Ainsi, dans cet exemple, chacune des séries de jeux de données comprend un nombre de groupements égal à M/L.
À titre indicatif, la totalité des données de chacune des séries peuvent être acquises sur une période globale qui peut être de plusieurs semaines ou mois, par exemple cinq semaines.
L’opération de prétraitement 7 comprend généralement une ou plusieurs étapes de prétraitement du signal cardiaque de chacun des jeux de données collectées.
Dans cet exemple, la ou les étapes de prétraitement sont choisies dans une liste incluant :
  • une étape d’interpolation et de rééchantillonnage,
  • une étape de filtrage, incluant typiquement un fenêtrage, par exemple à l’aide d’une fenêtre de Hamming,
  • une étape de dérivation, en appliquant par exemple une dérivée seconde.
De manière avantageuse, l’opération de prétraitement 7 met en œuvre, pour le signal cardiaque de chacun des jeux de données collectées, les trois étapes listées ci-dessus, réalisées préférentiellement dans l’ordre dans lequel elles sont listées.
Un tel prétraitement permet de supprimer du bruit dans les signaux cardiaques et plus généralement de les nettoyer afin d’améliorer la détection d’informations utiles qu’ils contiennent.
Les jeux de données comportant les signaux ainsi prétraités lors de l’opération 7 sont appelés « jeux de données prétraitées ».
L’opération de traitement 8 comprend dans cet exemple une succession d’étapes de sélection et/ou nettoyage des jeux de données prétraitées, de manière non limitative les étapes 11, 12, 13, 14 et 15 décrites ci-après et schématisées à la .
L’étape 11 est réalisée sur la base des valeurs de tension artérielle des jeux de données de chacune des séries.
L’étape 11 comprend, pour chacun des groupements de jeux de données de chacune des séries, une sélection des groupements dans chacun desquels les valeurs de tension artérielle des jeux de données correspondant respectent un ou plusieurs critères de qualité de tension artérielle.
Dans cet exemple, un premier critère de qualité de tension artérielle se rapporte à la valeur absolue des valeurs de tension artérielle et un deuxième critère de qualité de tension artérielle se rapporte à la variabilité de ces valeurs.
Plus précisément, dans le cadre de cet exemple non limitatif, l’étape 11 comprend, pour chacun des groupements de jeux de données de chacune des séries, une sélection de l’ensemble des jeux de données de ce groupement si :
  • la valeur de tension artérielle systolique de l’un au moins des jeux de données de ce groupement est dans une plage de valeurs prédéterminée, par exemple dans la plage 80-180 mmHg, ou/et
  • la valeur de tension artérielle diastolique de l’un au moins des jeux de données de ce groupement est dans une plage de valeurs prédéterminée, par exemple dans la plage 40-120 mmHg, ou/et
  • la variabilité des valeurs de tension artérielle systolique des jeux de données de ce groupement est inférieure à une valeur prédéterminée, par exemple inférieure à 5 mmHg, ou/et
  • la variabilité des valeurs de tension artérielle diastolique des jeux de données de ce groupement est inférieure à une valeur prédéterminée, par exemple inférieure à 5 mmHg.
Les jeux de donnés des groupements non sélectionnés lors de l’étape 11 ne sont pas utilisés pour la suite du traitement.
L’étape 12 est réalisée sur la base des signaux prétraités, en particulier les signaux des jeux de données sélectionnés lors de l’étape 11.
De manière non limitative, l’étape 12 comprend, pour chacun de ces signaux, une sélection du jeu de données contenant ce signal si les motifs de ce signal sont représentatifs d’un rythme cardiaque ayant une valeur dans une plage de valeurs prédéterminée, par exemple dans la plage 40-180 battements par minute.
Pour réaliser cette sélection, un ou plusieurs autres critères peuvent être utilisés de manière alternative ou complémentaire, par exemple un critère basé sur une variation de rythme cardiaque instantané.
Les jeux de données non sélectionnés lors de l’étape 12 ne sont pas utilisés dans la suite du traitement.
L’étape 13 est réalisée sur la base des signaux prétraités appartenant aux jeux de données qui ont été sélectionnés lors de l’étape 12.
L’étape 13 comprend, pour chacun des motifs de chacun de ces signaux, une sélection de ce motif si celui-ci respecte un ou plusieurs critères de qualité de signal.
Dans cet exemple, un premier critère de qualité de signal se rapporte à une fluctuation et/ou un rapport signal sur bruit de la partie du signal comportant ce motif et un deuxième critère de qualité de signal se rapporte à un ou plusieurs paramètres de motif.
Les paramètres de motif peuvent être choisis dans une liste incluant de manière non limitative un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique, un temps d’encoche dicrote, un rythme cardiaque instantané, une variation de rythme cardiaque instantané, une amplitude de motif et une différence d’amplitude entre un temps de début de motif et un temps de fin de motif.
Plus précisément, dans le cadre de cet exemple non limitatif, l’étape 13 comprend, pour chacun des motifs de chacun de ces signaux, une sélection de ce motif si :
  • le rapport signal sur bruit de la partie du signal comportant ce motif est inférieur à une valeur prédéterminée, par exemple inférieur à 0,9 pour un rapport pouvant être compris dans une plage ayant une valeur minimale égale à 0 et une valeur maximale égale à 1, ou/et
  • une valeur d’un ou plusieurs desdits paramètres de ce motif présente un écart inférieur à un écart prédéterminé par rapport à une valeur prédéterminée correspondante, par exemple si la différence absolue d’amplitude entre le temps de début de motif et le temps de fin de motif est supérieur à 0,4 pour une amplitude maximale normalisée à 1, ou encore si le temps de pic systolique est supérieur à 0,4 fois la différence entre le temps de début de motif et le temps de fin de motif.
L’étape 14 est réalisée sur la base des signaux prétraités dans lesquels plusieurs motifs ont été sélectionnés à l’étape 13. Les jeux de données dont le signal ne contient aucun motif sélectionné à l’étape 13, ou un nombre de motifs sélectionnés trop faible, par exemple moins de deux, ne sont pas utilisés dans la suite du traitement.
L’étape 14 comprend, pour chacun de ces signaux, une sélection des motifs respectant un ou plusieurs critères de similarité par rapport à un ou plusieurs autres motifs de ce signal.
Les critères de similarité peuvent être basés sur une corrélation et/ou une différence de valeurs absolue.
Dans cet exemple particulier, pour chacun des motifs de chacun de ces signaux, l’étape 14 comprend une sélection de ce motif si :
  • le coefficient de corrélation de ce motif avec un ou plusieurs autres motifs de ce signal est supérieur à un coefficient prédéterminé, par exemple supérieur à 0,95, ou/et
  • la différence absolue entre la valeur d’au moins un paramètre de ce motif et la valeur du même paramètre d’un ou plusieurs autres motifs de ce signal est inférieure à une valeur prédéterminée correspondante, par exemple une différence sur le temps de pic systolique inférieure à 7 ms.
L’étape 15 est réalisée sur la base des signaux prétraités dans lesquels plusieurs motifs ont été sélectionnés à l’étape 14. Les jeux de données dont le signal ne contient aucun motif sélectionné à l’étape 14, ou un nombre de motifs sélectionnés trop faible, par exemple moins de quatre, ne sont pas utilisés dans la suite du traitement.
De manière générale, l’étape 15 comprend, pour chacun de ces signaux, un traitement de ce signal pour former des motifs moyens et une comparaison de ces motifs moyens de manière à sélectionner ce signal si les motifs moyens sont suffisamment similaires.
Dans cet exemple particulier, l’étape 15 comprend, pour chacun de ces signaux, un calcul du nombre de motifs dans plusieurs parties de ce signal, ces parties de signal pouvant chacune correspondre à une fraction 1/P de ce signal, P étant de préférence un nombre entier supérieur ou égal à deux, par exemple égal à deux. Dans cet exemple, ce signal est sélectionné si le nombre de motifs dans l’une au moins de ces parties est supérieur à une valeur prédéterminée, par exemple supérieur à un.
Pour chacun des signaux sélectionnés, l’étape 15 met en œuvre un traitement du signal consistant à normaliser les motifs de ce signal et à corriger leur forme.
De manière non limitative, la correction de forme peut consister à modifier le signal de sorte que chaque motif présente une amplitude identique entre le temps de début de motif et le temps de fin de motif.
Pour chacune des parties du signal ainsi traité, il est ensuite calculé un motif moyen.
Un motif moyen peut par exemple correspondre à un motif dont chacune des valeurs correspond à la moyenne des valeurs correspondantes des motifs de cette partie. En variante non limitative, les valeurs des motifs utilisés pour calculer la moyenne peuvent être pondérées par un facteur de qualité associé au motif correspondant, par exemple en onction d’un taux de similarité de ce motif par rapport aux autres motifs du signal.
De manière non limitative, ce signal est ici sélectionné si les motifs moyens de ce signal respectent un ou plusieurs critères de similarité. Les critères de similarité peuvent être basés sur une corrélation et/ou une différence de valeurs absolue.
Dans cet exemple particulier, pour chacun des signaux, l’étape 15 comprend une sélection de ce signal si :
  • le coefficient de corrélation des motifs moyens de ce signal est supérieur à un coefficient prédéterminé, par exemple supérieur à 0,95, ou/et
  • la différence absolue entre les motifs moyens de ce signal, suivant au moins un paramètre de motif, est inférieure à une valeur prédéterminée, par exemple une différence de temps de pic systolique inférieure à 7 ms.
Les paramètres de motif pour les motifs moyens peuvent être les mêmes que ceux utilisés pour les motifs initiaux et peuvent donc être choisis dans une liste incluant de manière non limitative un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique, un temps d’encoche dicrote et une différence d’amplitude entre un temps de début de motif et un temps de fin de motif.
Les jeux de données contenant un signal sélectionné à l’issue de l’opération 15 sont appelés « jeux de données traitées ».
En référence à la , l’opération d’évaluation 9 comprend une étape d’évaluation de la qualité des jeux de données traitées pour chacune des séries, afin de déterminer si les données traitées de chacun des individus sont exploitables pour la phase d’entraînement 2.
Dans cet exemple, cette étape comprend, pour chacun des jeux de données traitées de chacune des séries, un calcul d’une corrélation entre un ou plusieurs paramètres des motifs moyens du signal de ce jeu – les motifs moyens étant dans cet exemple calculés lors de l’étape 15 du traitement 8 – et la valeur de tension artérielle systolique et/ou diastolique.
Si la corrélation ainsi calculée est supérieure à un coefficient prédéterminé, par exemple 0,9, pour l’un au moins des paramètres et pour l’ensemble des jeux de données traitées d’une série donnée, les jeux de données de cette série sont sélectionnés.
Dans cet exemple, l’opération 9 comprend aussi une étape d’évaluation de l’homogénéité de l’ensemble des séries de jeux de données ainsi sélectionnés.
Cette étape permet typiquement d’écarter une ou plusieurs desdites séries et/ou d’acquérir une ou plusieurs nouvelles séries, de manière à obtenir un ensemble de séries de jeux de données qui soit homogène selon un ou plusieurs critères d’homogénéité.
À titre indicatif, lesdits critères d’homogénéité peuvent se rapporter à une distribution homogène inter-série en termes de valeurs de tension artérielle, et/ou en termes d’âge et/ou de genre des individus correspondants.
La phase 1 qui vient d’être décrite permet ainsi de construire des jeux de données formant plusieurs séries qui correspondent chacune à un individu respectif.
Dans l’exemple non limitatif de la , les jeux de données ainsi construits sont utilisés pour entraîner le modèle, de la manière décrite ci-après. De manière alternative, les jeux de données résultant de la mise en œuvre de la phase 1 peuvent être utilisées à d’autres fins, par exemple en vue d’une analyse ne mettant pas en œuvre un modèle d’intelligence artificielle.
En référence à la , la phase 2 de la méthode est une phase d’entraînement du modèle à l’aide de séries de jeux données d’apprentissage formées par les séries de jeux de données construites lors de la phase 1 décrite ci-dessus. Bien entendu, les données d’apprentissage peuvent être construites de manière différente, par exemple en réalisant un traitement de données collectées qui comprend une partie seulement des étapes de sélection décrites ci-dessus et/ou qui comprend une ou plusieurs autres étapes de traitement.
Dans cet exemple, la phase d’entraînement 2 comprend une étape dans laquelle :
  • l’un des jeux de données d’entraînement de l’une des séries est utilisé pour former des données dites de personnalisation constituant une première entrée du modèle, les données de personnalisation comprenant dans cet exemple d’une part les motifs moyens de ce jeu obtenus lors de l’étape 15 (cf. ci-dessus) et, d’autre part, l’une au moins des valeurs de tension artérielle de ce jeu,
  • l’un des autres jeux de données d’entraînement de cette série est utilisé pour former des données dites de test constituant une deuxième entrée du modèle, les données de test comprenant dans cet exemple les motifs moyens de ce jeu obtenus lors de l’étape 15 (cf. ci-dessus),
  • une sortie du modèle est formée par la différence entre l’une au moins des valeurs de tension artérielle du jeu formant les données de test et l’une au moins des valeurs de tension artérielle des données de personnalisation.
Cette étape est répétée de manière itérative en utilisant comme données de test chacun des jeux de données d’entraînement de la même série ne formant pas les données de personnalisation, cela en utilisant itérativement comme données de personnalisation chacun des jeux de données d’entraînement de la même série. Ces multiples combinaisons permettent d’améliorer l’apprentissage.
Cette étape et ces itérations sont ensuite répétées de manière analogue pour chacune des autres séries.
De manière optionnelle, l’apprentissage peut être amélioré en utilisant une troisième entrée formée par au moins un paramètre des motifs moyens du jeu formant les données de test et/ou du jeu formant les données de personnalisation.
Les signaux et motifs formant les entrées du modèle peuvent être unidimensionnels, c’est-à-dire de nature temporelle, ou bidimensionnels, en réalisant par exemple une transformation temps-fréquence préalable des signaux ou motifs correspondants.
De manière connue en soi, l’entrainement peut être réalisé en utilisant un algorithme d’entrainement conventionnel, par exemple un algorithme de rétropropagation du gradient.
Concernant la phase 3 de la méthode de la , celle-ci permet de constituer les données d’entrée du modèle lors de la phase de prédiction 4.
De manière générale, la phase 3 comprend, pour au moins un individu qui est typiquement différent de ceux dont les données ont été utilisées pour entraîner le modèle, ici appelé « individu cible » :
  • une opération 21 de collecte d’un ou plusieurs jeux de données destinés à former des jeux de données dits de personnalisation, et
  • une opération 22 de collecte d’un ou plusieurs signaux destinés à former des signaux dits de prédiction.
Dans cet exemple, pour chaque individu cible, l’opération 21 comprend une acquisition consécutive de trois jeux de données analogues aux jeux de données d’un groupement obtenu lors de l’opération de collecte 6 de la phase 1, la description correspondante s’appliquant par analogie.
Ainsi, dans cet exemple, pour chaque individu cible, chacun des jeux de données de personnalisation sera construit sur la base d’un jeu comprenant :
  • un signal cardiaque comprenant des motifs qui correspondent chacun à un battement cardiaque respectif de l’individu correspondant,
  • une valeur de tension artérielle systolique de cet individu,
  • une valeur de tension artérielle diastolique de cet individu.
Les signaux acquis lors de l’opération de collecte 22 sont des signaux cardiaques semblables aux signaux acquis lors de l’opération de collecte 6 de la phase 1, la description correspondante s’appliquant par analogie.
Ainsi, dans cet exemple, pour chaque individu cible, les signaux de prédiction sont construits sur la base de signaux photopléthysmographiques comprenant chacun des motifs qui correspondent chacun à un battement cardiaque respectif de cet individu.
Dans l’exemple de la , la phase 3 de la méthode comprend une opération de prétraitement 23 et une opération de traitement 24 de ces différentes données qui sont analogues aux opérations 7 et 8 de la phase 1, dont la description correspondante s’applique par analogie, une étape telle l’étape 11 de la phase 1 étant bien entendu mise en œuvre uniquement pour les données de personnalisation. Ces opérations 23 et 24 permettent ainsi de construire lesdits jeux de données de personnalisation et lesdits signaux de prédiction. Dans cet exemple, la phase 3 de la méthode ne met bien entendu pas en œuvre d’étapes analogues à celles de l’opération 9 décrite ci-dessus.
Bien entendu, dans le cas où les données collectées d’un individu cible donné ne sont pas exploitables, la phase 3 peut être réitérée en tout ou partie afin d’obtenir des données d’entrée exploitables.
Lors de la phase de prédiction 4, les données de prédiction d’un individu cible donné sont utilisées comme données d’entrée du modèle :
  • les jeux de données de personnalisation construits lors de la phase 3 constituent une première entrée du modèle, les données de personnalisation comprenant dans cet exemple d’une part des motifs moyens de ce jeu obtenus lors de l’étape 24 et, d’autre part, l’une au moins des valeurs de tension artérielle de ce jeu,
  • les signaux de prédiction constituent chacun de manière itérative une deuxième entrée du modèle, les signaux de prédiction comprenant dans cet exemple des motifs moyens obtenus lors de l’étape 24.
Lors de la phase de prédiction 4, le modèle fournit en sortie, pour chaque individu cible, une valeur de tension artérielle pour chacun des signaux de prédiction.
Dans cet exemple, pour chaque individu cible, un traitement des valeurs de tension artérielle fournies par le modèle peut être réalisé en supprimant par exemple les valeurs aberrantes et en calculant la moyenne des autres valeurs.
La représente schématiquement un dispositif 30 permettant de mettre en œuvre la méthode de la .
Le dispositif 30 comprend une unité de traitement 31 et deux capteurs 32 et 33.
De manière non limitative, l’unité de traitement 31 est configurée pour mettre en œuvre chacune des phases 1 à 4 de la méthode de la .
L’unité de traitement 31 peut généralement former un module matériel tel qu’un processeur, une puce électronique, un calculateur, un ordinateur ou encore un serveur, et un module logiciel tel qu’une application, un programme d’ordinateur ou encore une machine virtuelle.
L’unité de traitement 31 peut être intégrée dans un appareil tel qu’un smartphone, une tablette ou encore un ordinateur.
Dans cet exemple, le capteur 32 est un capteur de photopléthysmographie de contact configuré pour mesurer un signal de battement cardiaque en étant placé en contact avec la peau d’un individu et le capteur 33 est un tensiomètre pour mesurer la tension artérielle d’un individu.
De nombreuses variantes peuvent être apportées à la description qui précède sans sortir du cadre de l’invention. Notamment, chacune des phases de la méthode de la peut être mise en œuvre sans recourir à une ou plusieurs des autres phases de cette méthode, ou en remplaçant une ou plusieurs de ces phases par des techniques différentes de celles décrites ci-dessus.
Entre autres variantes de l’invention, les signaux utilisés peuvent être des signaux acquis à l’aide d’une technique de photopléthysmographie sans contact (rPPG) ou d’une technique différente, par exemple une technique d’acquisition d’un signal de pouls à l’aide d’un capteur de pression. Plus généralement, les données peuvent être des données de nature périodique ou quasi-périodique.
Dans une variante de réalisation, non représentée, la construction des données faisant l’objet de la phase 1 de la méthode de la est réalisée dans le cadre d’un procédé dépourvu d’une opération de collecte, les données à traiter pouvant dans ce cas être disponibles dans une base de données. Bien entendu, un tel procédé peut aussi être dépourvu d’une ou plusieurs autres étapes et/ou opérations faisant l’objet de la phase 1 de la méthode de la . À titre d’exemple, l’invention couvre ainsi un procédé comprenant une ou plusieurs des étapes décrites ci-dessus en référence à la et ne comprenant pas les opérations 6, 7 et 9 de la phase 1 de la méthode de la .

Claims (9)

  1. Procédé de traitement (1) de données incluant au moins un signal qui forme une pluralité de motifs, par exemple un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques d’un individu, le procédé comprenant :
    • une comparaison de plusieurs desdits motifs les uns par rapport aux autres,
    • une sélection des motifs qui respectent au moins un critère de similarité prédéterminé,
    • une construction de motifs moyens chacun à partir d’au moins deux respectifs desdits motifs sélectionnés,
    • une comparaison des motifs moyens les uns par rapport aux autres,
    • une sélection des motifs moyens si ceux-ci respectent au moins un critère de similarité prédéterminé.
  2. Procédé de traitement (1) selon la revendication 1, dans lequel l’au moins un critère de similarité est choisi dans une liste incluant :
    • un coefficient de corrélation supérieur à une valeur prédéterminée,
    • un écart entre une valeur d’au moins un paramètre de motif et une valeur prédéterminée inférieur à un écart prédéterminé, l’au moins un paramètre pouvant être choisi dans une liste incluant un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique et un temps d’encoche dicrote.
  3. Procédé de traitement (1) selon la revendications 1 ou 2, dans lequel ladite pluralité de motifs de l’au moins un signal sont des motifs sélectionnés parmi des motifs initiaux respectant au moins un critère de qualité prédéterminé, l’au moins un critère de qualité pouvant être choisi dans une liste incluant :
    • un rapport signal sur bruit inférieur à une valeur prédéterminée,
    • un écart entre une valeur d’au moins un paramètre de motif et une valeur prédéterminée inférieur à un écart prédéterminé, l’au moins un paramètre pouvant être choisi dans une liste incluant un temps de crête, un temps de pic systolique, un temps de pic diastolique, un intervalle entre le temps de pic systolique et le temps de pic diastolique, un temps d’encoche dicrote, un rythme cardiaque instantané, une variation de rythme cardiaque instantané, une amplitude de motif et une différence d’amplitude entre un temps de début de motif et un temps de fin de motif.
  4. Procédé de traitement (1) selon l’une quelconque des revendications 1 à 3, dans lequel ledit au moins un signal comprend plusieurs signaux et dans lequel lesdites données physiologiques comprennent un ou plusieurs groupements comportant chacun plusieurs jeux de données, chacun de ces jeux de données comprenant l’un respectif desdits signaux ainsi qu’au moins une valeur de tension artérielle, le procédé comprenant une sélection du ou des groupements dans chacun desquels les valeurs de tension artérielle des jeux de données de ce groupement sont dans une plage de valeurs prédéterminée correspondante et/ou présentent une variabilité inférieure à une valeur prédéterminée.
  5. Procédé de traitement (1) selon l’une quelconque des revendications 1 à 4, comprenant une opération de collecte (6) desdites données, l’opération de collecte (6) comprenant de préférence, pour chacun parmi un ou plusieurs individus, une acquisition de plusieurs groupements de jeux de données, chacun des jeux de données comprenant :
    • un signal qui forme une pluralité de motifs, de préférence un signal photopléthysmographique dont les motifs sont représentatifs de battements cardiaques de cet individu,
    • au moins une valeur de tension artérielle de cet individu,
    les signaux étant acquis de manière consécutive au sein de chacun des groupements.
  6. Procédé d’entraînement (2) d’un modèle d’intelligence artificielle à l’aide de données d’entraînement formées à partir de données traitées par un procédé de traitement (1) selon l’une quelconque des revendications 1 à 5, les données d’entraînement étant de préférence formées à partir de données collectées selon un procédé comportant les caractéristiques de la revendication 5 et utilisées de sorte que :
    • une première entrée du modèle reçoive des données obtenues sur la base du signal et de l’au moins une valeur de tension artérielle de l’un des jeux de données de l’un des individus, ce jeu étant appelé jeu de personnalisation,
    • une deuxième entrée du modèle reçoive des données obtenues sur la base du signal d’un autre desdits jeux de données de cet individu, cet autre jeu étant appelé jeu de test,
    • une sortie du modèle soit formée par une différence entre l’au moins une valeur de tension artérielle du jeu de test et l’au moins une valeur de tension artérielle du jeu de personnalisation.
  7. Procédé d’estimation (4) d’un paramètre physiologique tel qu’une valeur de tension artérielle d’un ou plusieurs individus, en utilisant un modèle d’intelligence artificielle entraîné avec un procédé d’entraînement (2) selon la revendication 6.
  8. Dispositif (30) comprenant une unité de traitement (31) configurée pour mettre en œuvre un procédé selon l’une quelconque des revendications 1 à 7 et, de préférence, au moins un capteur (32, 33) de mesure d’au moins un signal physiologique et/ou d’au moins un paramètre physiologique.
  9. Programme d’ordinateur comprenant des instructions informatiques exécutables qui, lorsqu’elles sont exécutées par ordinateur, mettent en œuvre un procédé selon l’une quelconque des revendications 1 à 7.
PCT/EP2024/080136 2023-10-31 2024-10-24 Techniques de traitement de données et d'estimation de tension artérielle Pending WO2025093422A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2311886A FR3154822A1 (fr) 2023-10-31 2023-10-31 Techniques de traitement de données et d’estimation de tension artérielle
FRFR2311886 2023-10-31

Publications (1)

Publication Number Publication Date
WO2025093422A1 true WO2025093422A1 (fr) 2025-05-08

Family

ID=89661269

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2024/080136 Pending WO2025093422A1 (fr) 2023-10-31 2024-10-24 Techniques de traitement de données et d'estimation de tension artérielle

Country Status (2)

Country Link
FR (1) FR3154822A1 (fr)
WO (1) WO2025093422A1 (fr)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170209063A1 (en) * 2014-08-18 2017-07-27 Cameron Health, Inc. Peak selection for self correlation analysis of cardiac rate in an implantable medical devices
US20180199893A1 (en) * 2015-07-16 2018-07-19 Preventicus Gmbh Processing biological data
US20200300972A1 (en) * 2015-07-17 2020-09-24 Origin Wireless, Inc. Method, apparatus, and system for vital signs monitoring using high frequency wireless signals
US20210052180A1 (en) * 2019-08-22 2021-02-25 West Affum Holdings Corp. Cardiac Monitoring System with Normally Conducted QRS Complex Identification
US20230293112A1 (en) * 2022-03-15 2023-09-21 Wistron Corporation Physiological Signal Feature Extraction Method and Physiological Signal Feature Extraction Device Thereof

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170209063A1 (en) * 2014-08-18 2017-07-27 Cameron Health, Inc. Peak selection for self correlation analysis of cardiac rate in an implantable medical devices
US20180199893A1 (en) * 2015-07-16 2018-07-19 Preventicus Gmbh Processing biological data
US20200300972A1 (en) * 2015-07-17 2020-09-24 Origin Wireless, Inc. Method, apparatus, and system for vital signs monitoring using high frequency wireless signals
US20210052180A1 (en) * 2019-08-22 2021-02-25 West Affum Holdings Corp. Cardiac Monitoring System with Normally Conducted QRS Complex Identification
US20230293112A1 (en) * 2022-03-15 2023-09-21 Wistron Corporation Physiological Signal Feature Extraction Method and Physiological Signal Feature Extraction Device Thereof

Also Published As

Publication number Publication date
FR3154822A1 (fr) 2025-05-02

Similar Documents

Publication Publication Date Title
Chang et al. DeepHeart: A deep learning approach for accurate heart rate estimation from PPG signals
CN115003215A (zh) 根据光学数据进行脉搏传播时间测量的系统和方法
WO2008040735A1 (fr) Methode et dispositif de mesure d ' une pulsation cardiaque lors de la pratique d' un sport rythmique
WO2015128567A1 (fr) Procede, dispositif, systeme et programme informatique de filtrage d'une serie rr obtenue a partir d'un signal cardiaque avec controle automatique de la qualite de la serie rr
Sundar et al. A comprehensive assessment of the performance of modern algorithms for enhancement of digital volume pulse signals
JP2024525911A (ja) 顔からのｐｔｔに基づく血圧推定のためのシステム及び方法
WO2024003509A1 (fr) Dispositif de détermination d'une longueur de cycle d'activation cardiaque
WO2015121503A1 (fr) Procédé et système de surveillance du système nerveux autonome d'un sujet
Cisnal et al. Robust Feature Selection for BP Estimation in Multiple Populations: Towards Cuffless Ambulatory BP Monitoring
WO2025093422A1 (fr) Techniques de traitement de données et d'estimation de tension artérielle
EP4314854A1 (fr) Procédé d'atténuation du bruit d'images résultant d'acquisitions multiples par résonance magnétique
WO2021259958A1 (fr) Procede de determination de la pression arterielle a partir d'un signal ppg et dispositif correspondant
Comas et al. Deep adaptative spectral zoom for improved remote heart rate estimation
EP4027874A1 (fr) Procédé de détermination du taux respiratoire
FR3135612A1 (fr) Procédé et dispositif d’estimation de tension artérielle
FR2983055A1 (fr) Detection et estimation du complexe qrs pour le suivi d'une activite cardiaque et pulmonaire
WO2015128568A1 (fr) Procede et dispositif de contrôle automatique de la qualite d'une serie rr obtenue a partir d'un signal cardiaque
EP4292013A1 (fr) Dispositif et procede de traitement de donnees videos pour detection du vivant
WO2016181087A1 (fr) Procede et dispositif de determination de parametres representatifs d'une activite cardiovasculaire
EP4505399A1 (fr) Traitement d'images pour la détermination d'un paramètre physiologique
FR3139274A1 (fr) Dispositif de traitement de signaux cardiaques
WO2025133123A1 (fr) Procede de reconstruction d'un ecg en temps reel a partir d'un signal ppg
WO2024153879A1 (fr) Procédé de détermination d'un risque de décompensation cardiaque d'un patient
FR3102591A1 (fr) Prédiction d’état et commande d’un dispositif en fonction d’un état estimé
WO2022153010A1 (fr) Méthode et dispositif de détermination d'un cycle de marche

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: 24794797

Country of ref document: EP

Kind code of ref document: A1