An Open-Source, Open Data Approach to Activity Classification from Triaxial Accelerometry in an Ambulatory Setting

Cette étude présente une approche ouverte de données et de code pour classifier les niveaux d'activité et les types de mouvements naturels à partir d'accélérométrie triaxiale, démontrant l'efficacité d'un classificateur CNN avec un score F1 de 0,83 afin de soutenir le développement d'outils cliniques de surveillance personnalisée.

L'essentiel

🏃‍♂️ Le Problème : Le "Bruit" dans le Signal de Santé

Imaginez que vous portez une montre connectée qui surveille votre cœur. C'est super, mais il y a un petit souci : si vous marchez, votre cœur bat plus vite, pas parce que vous êtes stressé ou malade, mais simplement parce que vous bougez !

C'est comme essayer d'écouter une conversation calme dans un stade de football en plein match. Le bruit des pas (le mouvement) noie la voix (le rythme cardiaque). Les médecins ont besoin de savoir : "Est-ce que ce cœur qui bat vite, c'est parce que le patient court, ou parce qu'il a un problème cardiaque ?"

🛠️ La Solution : Un "Détective de Mouvement" Open-Source

L'équipe de chercheurs de l'Université Emory (aux États-Unis) a décidé de créer un outil pour résoudre ce problème. Leur but ? Apprendre à un ordinateur à distinguer ce que fait une personne (elle dort, elle marche, elle court ?) en utilisant seulement un petit capteur de mouvement (un accéléromètre), comme ceux qu'on trouve dans les téléphones.

Ce qui est génial avec leur travail, c'est qu'ils ont tout rendu gratuit et public (Open Source). C'est comme s'ils avaient construit une recette de gâteau et partagé non seulement les ingrédients, mais aussi les instructions exactes pour que n'importe qui puisse le refaire chez lui.

🧪 Comment ils ont fait ? (L'Expérience)

1. Les Joueurs : Ils ont invité 23 volontaires (des gens en bonne santé) à porter un petit patch sur la poitrine.
2. Le Scénario : Ils ont demandé à ces gens de faire des choses très simples : s'allonger, s'asseoir, se tenir debout, marcher et courir.
3. Le Piège : Pour rendre l'expérience réaliste, ils ont aussi demandé aux gens de faire des petits mouvements naturels (taper du pied, se gratter, regarder leur téléphone) et même de tapoter le capteur pour voir si ça cassait le signal. C'était comme tester la solidité d'un pare-brise en jetant des cailloux dessus !
4. Le Résultat : Ils ont enregistré tout ça et ont créé une base de données "étiquetée" (ils savent exactement ce que faisait chaque personne à chaque seconde).

🤖 Les Deux Super-Héros de l'Analyse

Pour analyser ces données, ils ont utilisé deux méthodes différentes, comme deux détectives avec des approches différentes :

1. Le Détective Rapide (Le "Filtre à Seuil")

Imaginez un portier de boîte de nuit. Il a une règle simple : "Si tu bouges plus que ça, tu es 'actif'. Sinon, tu es 'calme'."

• Comment ça marche : Il regarde l'intensité du mouvement. S'il dépasse une certaine ligne (un seuil), il crie "ACTIF !".
• Le résultat : C'est rapide et efficace pour dire "Le patient bouge ou il ne bouge pas". C'est parfait pour les appareils peu puissants.

2. Le Détective Expert (Le "Cerveau Artificiel" ou CNN)

Là, on a un détective beaucoup plus intelligent, un peu comme un chef cuisinier qui peut goûter un plat et dire exactement quels ingrédients il y a dedans.

• Comment ça marche : C'est un réseau de neurones (une intelligence artificielle) qui a "mangé" des milliers d'heures de données. Il ne se contente pas de voir si on bouge, il reconnaît le style du mouvement.
• Le résultat : Il peut distinguer avec précision si vous êtes allongé, assis, debout, en train de marcher ou en train de courir.
  • Le petit bémol : Il a parfois du mal à distinguer "assis" de "debout" si vous ne bougez pas beaucoup, un peu comme si vous essayiez de deviner si quelqu'un est assis ou debout en le regardant de très loin sans qu'il ne bouge les bras.

📊 Ce qu'ils ont appris (Les Résultats)

• Le détective rapide a réussi à dire "Actif/Inactif" avec une bonne précision (environ 79% de réussite).
• Le détective expert a réussi à classer les 5 activités (coucher, assis, debout, marche, course) avec une précision de 83%.
• La corrélation cœur-mouvement : Ils ont confirmé ce qu'on savait intuitivement : plus on bouge, plus le cœur bat vite. Mais maintenant, l'ordinateur peut dire : "Ah, le cœur bat vite parce qu'il court, pas parce qu'il a peur."

🌍 Pourquoi c'est important pour tout le monde ?

Imaginez que dans le futur, vos médecins utilisent des montres intelligentes pour surveiller les patients à la maison.

• Sans cet outil : L'alarme sonne parce que le cœur bat vite. Le médecin s'inquiète, il appelle, il envoie une ambulance... alors que le patient était juste en train de faire ses courses.
• Avec cet outil : Le système dit : "Cœur rapide détecté, mais le patient est en train de courir. Tout est normal."

Cela évite les fausses alarmes, réduit le stress et permet de mieux comprendre la santé réelle des gens.

🚀 Le Mot de la Fin

Cette étude est comme une boîte à outils gratuite pour les développeurs du monde entier. Au lieu de devoir réinventer la roue, n'importe qui peut prendre ces données et ce code pour créer de nouvelles applications de santé, que ce soit pour aider les personnes âgées à éviter les chutes, surveiller des maladies cardiaques ou simplement mieux comprendre comment nous bougeons au quotidien.

C'est une belle preuve que partager ses découvertes (Open Source) permet à toute la communauté médicale et technologique de construire un avenir plus sain et plus intelligent.

Résumé technique

1. Problématique et Contexte

Le suivi continu des paramètres physiologiques est essentiel pour la détection précoce de la détérioration clinique et les stratégies de traitement personnalisées. Cependant, les données des capteurs portables (wearables), en particulier les accéléromètres, sont souvent bruitées par les mouvements naturels des patients (artefacts de mouvement). Ces mouvements peuvent fausser l'interprétation de données critiques comme la fréquence cardiaque ou la saturation en oxygène, entraînant de fausses alarmes ou des interprétations erronées.

Bien que des méthodes de reconnaissance d'activité humaine (HAR) existent, elles souffrent souvent de limitations :

• Besoin de jeux de données étiquetés de haute qualité, souvent collectés en laboratoire.
• Difficulté à gérer les données déséquilibrées et bruitées des environnements réels.
• Complexité computationnelle pour un déploiement en temps réel.
• Manque de reproductibilité et de données ouvertes pour le benchmarking.

L'objectif de cette étude est de développer et de publier un ensemble de données ouvert et des méthodes open-source pour classifier les niveaux d'activité et les types de mouvements à partir de données d'accélérométrie triaxiale dans un cadre ambulatoire réaliste et bruyant.

2. Méthodologie

Collecte de Données

• Participants : 23 sujets sains (16 hommes, 7 femmes), âgés de 23 à 62 ans.
• Capteur : Patch ECG portable (Vivalink VV330) équipé d'un accéléromètre triaxial (échantillonnage à 50 Hz) et d'un ECG (128 Hz). Bien que l'ECG ait été enregistré, seule l'accélérométrie a été utilisée pour la classification de l'activité.
• Protocole : Les participants ont suivi une routine standardisée imitant les environnements hospitaliers (bureau, salle d'attente) : allongé, assis, debout, marche, jogging. Des comportements naturels (fidgeting, ajustements de vêtements) et des perturbations simulées (taper sur le capteur) ont été inclus pour tester la robustesse.
• Durée : En moyenne 26 minutes par sujet (de 4 à 68 minutes).
• Étiquetage : Les données ont été étiquetées manuellement en utilisant des vidéos synchronisées comme vérité terrain (ground truth) via l'outil Label Studio. Les étiquettes incluent 5 classes principales (allongé, assis, debout, marche, jogging). Les périodes de transition ont été exclues de l'entraînement pour assurer des états stables.

Prétraitement

• Filtrage : Application d'un filtre passe-bande de Butterworth (0,05 Hz à 2 Hz) sur les trois axes pour éliminer la dérive du capteur et le bruit haute fréquence. Une analyse de sensibilité a confirmé que le seuil de 2 Hz est optimal pour capturer les mouvements humains sans introduire de bruit inutile.
• Segmentation : Utilisation de fenêtres glissantes (par défaut 5 secondes) avec un chevauchement pour l'analyse temporelle.

Approches de Classification

Deux méthodes complémentaires ont été développées :

1. Classification Binaire (Niveau d'activité) :

   • Méthode : Calcul de la magnitude vectorielle 3D (norme euclidienne) des signaux filtrés.
   • Algorithme : Application d'un seuil (cut-point) sur la médiane roulante de cette magnitude sur une fenêtre de 5 secondes.
   • Objectif : Distinguer les états « actifs » (marche, jogging) des états « inactifs » (allongé, assis, debout).

2. Classification Multi-classes (Types d'activité) :

   • Méthode : Utilisation d'un Réseau de Neurones Convolutif 1D (1D-CNN).
   • Architecture : Conçue pour capturer les motifs spatio-temporels dans les séries temporelles d'accélérométrie.
   • Entraînement : Validation croisée « Leave-One-Out » (LOOCV) pour garantir que le modèle est testé sur des sujets non vus lors de l'entraînement. Des pondérations de classes ont été appliquées pour compenser le déséquilibre des données (ex: le jogging est sous-représenté).

3. Résultats Clés

Performance de la Classification Binaire

• Le seuil de magnitude 3D de 0,07 a été déterminé empiriquement.
• Métriques : Précision de 0,73, Rappel de 0,90, et un score F1 de 0,79.
• Comparaison : Cette méthode a surpassé l'approche basée sur la déviation d'amplitude moyenne (MAD) proposée par des travaux antérieurs (qui a échoué à détecter toute activité dans ce jeu de données, avec un rappel de 0,00), démontrant une meilleure robustesse face au bruit ambulant.

Performance de la Classification Multi-classes (CNN)

• Configuration optimale : Fenêtre de 5 secondes à 50 Hz.
• Métriques globales : Précision de 83 %, Rappel de 77 %, et un score F1 global de 0,83.
• Performance par classe :
  • Marche : F1 = 90 %
  • Assis : F1 = 82 %
  • Jogging : F1 = 79 % (malgré la sous-représentation)
  • Allongé : F1 = 55 %
  • Debout : F1 = 44 % (confusion fréquente avec l'assise et la marche en raison de similarités dans les fluctuations verticales).
• Analyse de sensibilité : La réduction de la taille de la fenêtre ou de la fréquence d'échantillonnage entraîne une baisse significative des performances. Les modèles mixtes linéaires confirment que la taille de la fenêtre et le taux d'échantillonnage sont les principaux facteurs de performance.

Analyse des Signes Vitaux au Repos

• Une corrélation positive modérée mais significative (r = 0,29) a été trouvée entre l'intensité du mouvement (magnitude roulante) et l'écart de la fréquence cardiaque par rapport à la ligne de base. Cela valide l'utilité de l'accélérométrie pour contextualiser les variations physiologiques.

4. Contributions Principales

1. Données Ouvertes : Publication d'un ensemble de données d'accélérométrie triaxiale collecté dans un environnement ambulatoire réaliste (bruité, déséquilibré), contrairement aux données de laboratoire contrôlées.
2. Code Open-Source : Mise à disposition complète du code de prétraitement, des modèles (CNN et seuillage), et des scripts d'analyse sous licence open-source.
3. Méthodologie Robuste : Démonstration que des méthodes simples (seuillage de magnitude) et des modèles de Deep Learning (CNN) peuvent fonctionner efficacement sur des données réelles et imparfaites sans nécessiter de fusion de capteurs complexes.
4. Analyse de Robustesse : Étude approfondie de l'impact de la taille de la fenêtre et de la fréquence d'échantillonnage, fournissant des directives pour le déploiement sur des dispositifs à ressources limitées (edge computing).

5. Signification et Perspectives

Cette étude démontre que la classification de l'activité basée uniquement sur l'accélérométrie est viable pour contextualiser les données physiologiques en temps réel.

• Impact Clinique : En identifiant le niveau d'activité, les cliniciens peuvent mieux interpréter les variations de fréquence cardiaque, réduisant les fausses alarmes et améliorant la surveillance des patients en milieu ambulatoire ou aux urgences.
• Déploiement : Les méthodes proposées sont légères en termes de calcul, permettant une intégration potentielle sur des dispositifs portables peu coûteux.
• Limites et Futur : Les limites incluent la confusion entre les postures statiques (assis/debout) avec un seul capteur thoracique et l'absence de données démographiques complètes. Les travaux futurs devront se concentrer sur la détection des périodes de transition (souvent exclues ici) et la validation sur des populations cliniques réelles (patients hospitalisés).

En résumé, ce travail fournit une base reproductible et transparente pour l'amélioration de la surveillance de la santé, en reliant directement le mouvement physique à l'interprétation des signes vitaux.