⚡ electrical engineering

A Signal Extraction Approach for Remote Heart Rate Variability Assessment Using Proxy Measure in a Driving Simulator

Cette étude évalue des algorithmes de photopléthysmographie à distance pour l'évaluation de la variabilité de la fréquence cardiaque dans un simulateur de conduite, démontrant que la combinaison des méthodes 2SR et CHROM avec une amélioration des pics basée sur la norme Lp et 20 régions de superpixels produit des mesures de fréquence cardiaque et de variabilité de la fréquence cardiaque cliniquement précises, comparables à l'ECG, malgré les artefacts de mouvement.

Auteurs originaux : {\DJ}or{\dj}e D. Nešković, Nadica Miljković

Publié 2026-05-26

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : {\DJ}or{\dj}e D. Nešković, Nadica Miljković

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes assis dans un simulateur de conduite, les mains sur le volant, naviguant à travers un brouillard virtuel. Habituellement, pour vérifier comment votre cœur réagit au stress de la conduite, un médecin doit coller des électrodes sur votre poitrine ou fixer un capteur à votre doigt. Cela peut être inconfortable, distrayant et désordonné.

Ce papier propose une solution beaucoup plus propre : utilisez simplement une caméra.

Les chercheurs ont construit un système qui agit comme un « stéthoscope numérique » en n'utilisant qu'une caméra vidéo standard pointée vers votre visage. Voici comment ils ont procédé, expliqué simplement.

L'idée centrale : Lire le pouls à partir d'une vidéo

Lorsque votre cœur bat, il pompe le sang dans votre corps. Même si vous ne pouvez pas le voir, cette poussée de sang modifie légèrement la couleur de votre peau — la rendant un tout petit peu plus rouge à chaque battement. Une caméra ordinaire perçoit cela comme un scintillement de lumière, mais nos yeux sont trop lents pour le remarquer.

Les chercheurs ont écrit un programme informatique qui observe la vidéo de votre visage et cherche ces infimes changements de couleur invisibles. C'est comme essayer d'entendre un chuchotement dans une pièce bruyante ; le « chuchotement » est votre battement de cœur, et le « bruit » est le mouvement de votre tête, les secousses de la voiture ou les changements de lumière.

La recette : Comment ils ont nettoyé le signal

Pour obtenir une lecture claire, l'équipe a dû résoudre trois grands problèmes :

Où regarder ? Au lieu de regarder tout le visage (qui inclut les cheveux, les yeux et la bouche qui ne pulsent pas bien), ils ont découpé le visage en petits morceaux de puzzle appelés « Superpixels ». Ils ont testé l'utilisation de 10 pièces contre 20 pièces. Ils ont constaté que regarder les joues (en particulier la gauche) revenait à trouver le meilleur microphone pour le battement de cœur.
Comment filtrer le bruit ? Ils ont utilisé quatre « recettes » mathématiques différentes (appelées algorithmes comme 2SR, CHROM, POS et PCA) pour séparer le signal du battement de cœur du bruit de mouvement. Imaginez-les comme différents types de casques à réduction de bruit.
Comment faire ressortir les pics ? Le signal du battement de cœur est une ligne ondulée. Pour compter les battements, l'ordinateur doit repérer les « pics » des vagues. Les chercheurs ont inventé deux nouvelles méthodes pour affiner ces pics :
- La « Norme Lp » (Le Pressage) : Imaginez presser une éponge humide. Cette méthode presse le signal pour faire ressortir davantage les grands pics (les vrais battements de cœur) tout en écrasant les petits bosses désordonnées (le bruit).
- La « Dérivée Fractionnaire » (Le Crayon Affûtant) : C'est comme utiliser un crayon pour retracer un dessin afin de rendre les lignes plus nettes. Cependant, le papier met en garde que cette méthode peut parfois décaler légèrement le timing des pics, ce qui la rend délicate pour un timing précis.

L'essai routier

Ils ont testé cela sur 29 personnes dans un simulateur de conduite. Les participants sont d'abord restés immobiles (Référence), puis ont conduit sur une autoroute virtuelle, et enfin ont conduit à travers un épisode de brouillard soudain et effrayant pour les stresser.

Les Résultats :

Fréquence cardiaque : Le système basé sur la caméra était étonnamment précis. Il se situait généralement à moins de 2 battements par minute des capteurs médicaux de référence (ECG). C'est suffisamment bon pour qu'un médecin fasse confiance.
Variabilité cardiaque (VFC) : C'est une manière sophistiquée de mesurer à quel point votre fréquence cardiaque accélère et ralentit, ce qui nous renseigne sur vos niveaux de stress. Le système à caméra pouvait également mesurer cela avec précision, correspondant étroitement aux capteurs médicaux.
Mouvement : Même lorsque les conducteurs bougeaient la tête ou que la voiture tremblait, le système continuait de fonctionner, principalement grâce à une étape de « contrôle qualité ». Si un segment vidéo était trop tremblant ou flou, l'ordinateur le jetait simplement et ne l'utilisait pas pour le calcul.

Le verdict : Qu'est-ce qui fonctionne le mieux ?

Le papier conclut par une recommandation spécifique pour toute personne essayant de construire ce type de système :

Pour compter la fréquence cardiaque (Pouls) : Utilisez l'algorithme 2SR combiné à la méthode « Pressage » (Norme Lp) et regardez 20 morceaux de puzzle du visage.
Pour mesurer le stress/la variabilité (VFC) : Utilisez l'algorithme CHROM avec la méthode « Pressage » (Norme Lp).

Le hic (Limites)

Le papier est honnête quant à ses défauts :

Position de la tête : Si vous regardez trop vers le bas ou couvrez votre visage de votre main, la caméra ne peut pas trouver votre visage, et le système échoue.
Teint de peau : L'étude n'a utilisé que des personnes à la peau claire. La caméra pourrait avoir des difficultés avec les teints de peau plus foncés car les changements de couleur sont plus difficiles à voir.
Battements défectueux : Si une personne a un rythme cardiaque irrégulier (un battement manquant ou un « bug »), le système à caméra pourrait se confondre et le compter comme du bruit plutôt que comme un véritable événement cardiaque.

Résumé

Ce papier prouve que vous n'avez pas besoin de fils ni de patchs collants pour surveiller le cœur d'un conducteur. Une simple caméra, combinée à une mathématique astucieuse pour nettoyer le signal, peut vous dire à quelle vitesse votre cœur bat et à quel point vous êtes stressé, même lorsque vous conduisez une voiture. C'est comme donner à la voiture une paire d'yeux capable d'« entendre » votre battement de cœur à travers votre peau.

Résumé technique : Une approche d'extraction de signal pour l'évaluation à distance de la variabilité de la fréquence cardiaque utilisant une mesure proxy dans un simulateur de conduite

Énoncé du problème
La surveillance conventionnelle de la variabilité de la fréquence cardiaque (VFC) repose sur des capteurs à contact (par exemple, ECG, PPG portable), qui peuvent interférer avec les postures de conduite naturelles, causer de l'inconfort et introduire des artefacts de mouvement lors des interactions de direction. Bien que la photopléthysmographie à distance (rPPG) offre une alternative sans contact en extrayant les signaux cardiaques à partir de vidéos du visage, elle fait face à des défis significatifs dans des environnements dynamiques comme les simulateurs de conduite. Ces défis incluent des rapports signal-sur-bruit (SNR) faibles causés par les mouvements de la tête, l'éclairage variable et les expressions faciales, qui obscurcissent souvent les changements périodiques subtils de couleur associés au volume sanguin. De plus, les recherches existantes sur la rPPG se concentrent souvent sur l'estimation de la fréquence pulsatile (PR), avec une validation moins complète des paramètres de VFC (SDNN, RMSSD) et de la précision de détection des intervalles inter-battements (IBI) dans des conditions de conduite réalistes.

Méthodologie
L'étude évalue une chaîne de traitement rPPG complète appliquée à un ensemble de données de 29 participants enregistrés dans un simulateur de conduite (DS) basé sur le mouvement, dans des conditions de base (BSL) et de conduite sur autoroute (incluant un épisode de brouillard dense). La méthodologie comprend :

Sélection de la région d'intérêt (ROI) : La région faciale est décomposée en sous-régions de SuperPixel (SP) à l'aide de l'algorithme de clustering itératif linéaire simple (SLIC). Deux configurations ont été testées : 10 et 20 SP. Une chaîne hiérarchique impliquant la détection Viola-Jones, un raffinement géométrique et le suivi par flux optique de Lucas-Kanade assure la correspondance spatiale entre les images.
Extraction du signal : Quatre algorithmes rPPG établis ont été appliqués : Rotation du sous-espace spatial (2SR), méthode basée sur la chrominance (CHROM), Plan orthogonal à la peau (POS) et Analyse en composantes principales (PCA).
Qualité et nettoyage du signal : Un critère de sélection en deux étapes a été employé. Premièrement, les segments avec un rapport signal-sur-bruit (SNR) inférieur à -17 dB (calculé sur la bande 0,7–3 Hz) ont été rejetés. Deuxièmement, la région SP optimale a été sélectionnée sur la base de l'erreur absolue moyenne (MAE) la plus faible par rapport à l'ECG de référence, suivie du SNR le plus élevé.
Amélioration des pics : Deux techniques d'amélioration novatrices ont été introduites pour améliorer la proéminence des pics :
- Norme Lp : Appliquée via une fenêtre glissante (4 échantillons) avec des valeurs de $p$ allant de 1 à 9.
- Dérivée fractionnaire de Grünwald–Letnikov (GL FOD) : Appliquée avec des ordres fractionnaires allant de 1,0 à 3,0.
- Les signaux ont ensuite été traités par un filtrage passe-bande de type Chebyshev II et un lissage avec fenêtre de Hann avant la détection des pics.
Évaluation : Les performances ont été évaluées par rapport à une référence ECG simultanée à 1000 Hz. Les métriques incluaient la précision de la PR (MAE, RMSE), la précision des paramètres de VFC (SDNN, RMSSD) et les performances de détection des IBI (Précision, Rappel, score F1) selon trois critères de tolérance temporelle (Strict : 250 ms, Moyen : 350 ms, Détendu : un pic par intervalle RR). Une analyse statistique (tests t, U de Mann-Whitney) a comparé les conditions BSL et DS.

Contributions clés

Extension à la VFC : L'étude étend l'évaluation de la rPPG au-delà de la PR pour inclure des paramètres de VFC cliniquement pertinents (SDNN, RMSSD) et l'alignement battement-à-battement dans un environnement de conduite dynamique.
Nouvelle amélioration des pics : L'introduction et l'évaluation comparative de la norme Lp et de la GL FOD en tant que stratégies d'amélioration des pics spécifiquement pour les signaux rPPG.
Identification de la configuration optimale : L'identification de plages de paramètres spécifiques produisant des résultats robustes : $p \approx 6–7$ pour la norme Lp et des ordres fractionnaires de $1,0–1,4$ pour la GL FOD.
Étalonnage complet : Une comparaison rigoureuse de quatre algorithmes rPPG (2SR, CHROM, POS, PCA) sur deux configurations spatiales (10 vs 20 SP) et deux états de conduite, validée par rapport à un ECG de vérité terrain.

Résultats

Fréquence pulsatile (PR) : La méthode 2SR combinée à la GL FOD et à 20 régions SP a atteint le MAE le plus bas de $1,92 \pm 1,72$ bpm dans des conditions de conduite. Toutes les configurations ont atteint une précision cliniquement acceptable (erreurs généralement comprises dans $\pm 5$ bpm).
Paramètres de VFC : Le MAE dans le meilleur des cas était de $0,061$ s pour le SDNN et de $0,081$ s pour le RMSSD. Bien que l'estimation de la VFC soit plus sensible aux erreurs de localisation des pics que la PR, le cadre a réussi à reproduire la structure statistique de l'ECG de référence.
Détection des IBI : Selon le critère « Détendu », le score F1 a atteint 0,93. Les méthodes 2SR et CHROM ont systématiquement surpassé POS et PCA.
Comparaison des méthodes :
- 2SR a été recommandée pour l'estimation de la PR.
- CHROM combinée à la norme Lp a été préférée pour l'estimation de la VFC (SDNN/RMSSD).
- PCA a montré le taux de rejet de segments le plus élevé en raison de sa sensibilité à la variance du bruit.
Signification statistique : La chaîne a détecté avec succès l'augmentation statistiquement significative de la PR/FC entre les conditions BSL et DS ( $p < 0,01$ ), reflétant l'ECG de référence. Cependant, ni l'ECG de référence ni les méthodes dérivées de la rPPG n'ont détecté de différence significative dans le SDNN ou le RMSSD entre les conditions, indiquant que la chaîne préserve la structure statistique sous-jacente des données.
Limites observées : La méthode GL FOD a été notée pour introduire des changements lents dans l'onde rPPG, pouvant causer des problèmes de déplacement de pics pour la détection des IBI. L'étude a également noté que les échecs de détection du visage (dus à l'orientation de la tête) étaient la cause principale de perte de données.

Importance et revendications
Les auteurs affirment que le cadre proposé démontre la faisabilité d'une surveillance autonome entièrement sans contact dans des environnements dynamiques, étendant les capacités de la rPPG au-delà des environnements de laboratoire contrôlés. L'étude fournit des orientations méthodologiques aux chercheurs, suggérant que si 2SR est optimale pour la PR, CHROM avec la norme Lp est supérieure pour l'estimation de la VFC dans les simulateurs de conduite. L'article souligne que le système peut reproduire de manière fiable la structure statistique de l'activité du système nerveux autonome, en faisant une alternative non invasive viable pour les systèmes de surveillance du conducteur axés sur la sécurité routière et l'interaction homme-machine. Les auteurs mettent explicitement en garde que, bien que la méthode soit robuste pour la PR et les tendances générales de la VFC, une attention particulière doit être portée à la FOD pour la détection précise des IBI en raison de problèmes de morphologie de l'onde, et que le cadre actuel n'est pas encore suffisamment sensible pour détecter les battements pathologiques (par exemple, les extrasystoles).