Résumé Technique : ActiveVital

Énoncé du Problème

Les robots domestiques nécessitent une surveillance fiable et sans contact des signes vitaux pour assurer la sécurité de l'utilisateur et permettre une interaction attentive à la santé. Bien que le radar à ondes millimétriques (mmWave) soit une solution prometteuse en raison de sa sensibilité aux mouvements thoraciques submillimétriques, son efficacité est fondamentalement contrainte par la géométrie d'observation. Le radar mmWave ne mesure que la composante radiale du mouvement le long de la ligne de visée. Dans les environnements domestiques non contraints, les orientations arbitraires entre le robot et l'humain entraînent souvent un désalignement angulaire, ce qui atténue le signal mesurable — particulièrement pour les composantes du rythme cardiaque qui présentent des amplitudes extrêmement faibles.

Les approches existantes souffrent de deux limitations principales :

1. Sensing Statique : Repose sur l'obligation pour les utilisateurs de maintenir manuellement un alignement avec un capteur fixe, ce qui est peu pratique pour une surveillance à long terme et non intrusive.
2. Sensing Incorporé par Proximité : Les robots mobiles réduisent la distance avec le sujet pour améliorer la force du signal, mais échouent à réguler l'alignement anatomique (l'angle d'observation). Par conséquent, ces méthodes manquent d'un mécanisme en boucle fermée pour optimiser l'observabilité des signes vitaux, entraînant une estimation instable du rythme cardiaque lorsque le robot et l'humain ne sont pas parfaitement alignés.

Méthodologie : ActiveVital

Les auteurs proposent ActiveVital, un cadre de sensing incorporé guidé par la vision qui traite la géométrie de détection comme une variable de contrôle explicite. Le système reformule la surveillance des signes vitaux, passant d'une récupération passive du signal à une régulation géométrique active. Le pipeline se compose de trois étapes :

1. Localisation de la poitrine guidée par la vision

Pour établir une référence géométrique sans coopération de l'utilisateur, le système utilise ViTPose afin de détecter les points clés du squelette humain (épaules et hanches).

• Construction de la référence thoracique : Un point d'ancrage thoracique ($P_{ref}$) est interpolé le long de l'axe du torse entre les milieux des épaules et des hanches.
• Biais Anatomique : La coordonnée verticale est biaisée vers le haut de la poitrine ($\alpha = 0,75$), et un décalage horizontal est appliqué ($\beta = 0,1$) pour déplacer la référence vers la région adjacente au cœur, compensant ainsi l'asymétrie anatomique latérale.

2. Régulation de la pose en boucle fermée

Le robot ajuste activement la pose de son capteur pour aligner la ligne de visée du radar avec la référence thoracique.

• Contrôle piloté par l'erreur : Les écarts de pixels entre l'axe optique du radar et la référence thoracique sont convertis en commandes de mouvement.
• Cartographie Spatiale : En utilisant les informations de profondeur et les intrinsèques de la caméra, les erreurs de pixels sont mappées en déplacements métriques ($\Delta L, \Delta H, \Delta D$).
• Exécution : Le bras robotique oriente le radar vers une incidence quasi-normale par rapport à la surface thoracique. Une fois aligné, le robot maintient une pose fixe pendant une courte fenêtre pour acquérir les données, garantissant une observabilité radiale maximale ($\theta \to 0$).

3. Traitement de phase contraint par la géométrie

Pour assurer une extraction de signal stable sous des variations de pose résiduelles, le système utilise un module d'amélioration de phase différentiel :

• Déroulement de phase et différenciation : Les séquences de phase brutes sont déroulées et soumises à une différenciation temporelle du premier ordre pour supprimer la dérive basse fréquence et améliorer les micro-mouvements périodiques.
• Suppression robuste des valeurs aberrantes : Un filtre de Hampel est appliqué pour atténuer le bruit impulsif en remplaçant les valeurs aberrantes par les médianes locales.
• Découplage spectral : La séquence de phase raffinée subit une FFT, suivie d'un lissage Gaussien et d'un filtrage passe-bande FIR pour séparer les composantes de la respiration et du rythme cardiaque. La fréquence cardiaque est estimée via une moyenne pondérée par l'énergie au sein de la bande cardiaque.

Contributions Clés

1. Sensing Incorporé Régulé par la Géométrie : L'article introduit un paradigme où la géométrie d'observation radar est activement régulée par un alignement de pose piloté par rétroaction, permettant une détection fiable sous des configurations robot-humain non contraintes.
2. Régulation de Pose Guidée par la Vision avec Extraction de Signal Robuste : Un pipeline qui oriente le radar monté sur le robot vers une observation quasi-axiale tout en intégrant un module d'amélioration de phase pour stabiliser l'extraction lors des variations de pose.
3. Validation Trans-paradigme : Le système est évalué contre trois modes de détection (Statique, Proximité Incorporée, et Géométrie-Aware) et trois algorithmes de traitement de signal de base, démontrant des améliorations constantes de la précision.

Résultats Expérimentaux

Le système a été implémenté sur un robot mobile Galaxea R1 Lite équipé d'un radar FMCW de 60 GHz et d'une caméra RGB-D. Les expériences ont été menées dans un environnement intérieur contrôlé avec des participants assis.

Métriques de Performance (Erreur Absolue Moyenne - MAE) :

• Intervalle de Respiration (BI) : ActiveVital a réduit l'erreur de 0,87 s (Proximité Incorporée) à 0,14 s, atteignant une précision comparable au Sensing Statique (0,15 s).
• Fréquence Cardiaque (HR) : ActiveVital a réduit l'erreur de 13,59 bpm (Proximité Incorporée) à 2,22 bpm. Bien que le Sensing Statique ait obtenu l'erreur la plus faible (1,66 bpm), il exigeait un alignement manuel de l'utilisateur. ActiveVital a obtenu des performances comparables sans nécessiter la coopération du sujet.

Analyse Comparative :

• Vs. Sensing par Proximité : ActiveVital a nettement surpassé les approches basées sur la proximité, qui souffraient d'erreurs élevées dues au désalignement atténuant le signal cardiaque.
• Vs. Sensing Statique : ActiveVital a atteint une précision similaire au sensing statique, mais avec l'avantage critique de l'autonomie, éliminant le besoin pour les utilisateurs de maintenir des postures spécifiques.
• Robustesse de l'Algorithme : Testé contre les algorithmes de base (DE de second ordre, Filtre Passe-bande, Modèle de Diffusion), l'approche de géométrie-aware d'ActiveVital a maintenu une stabilité supérieure à mesure que les conditions géométriques se détérioraient, montant la plus faible dégradation de performance dans l'estimation de la fréquence cardiaque.

Signification et Revendications

L'article affirme que la pose de détection est une variable contrôlable pour un suivi physiologique sans contact robuste. En régulant activement la pose du robot pour obtenir un alignement quasi-axial avec la surface thoracique, ActiveVital maximise la projection radiale du micro-mouvement cardiopulmonaire.

Les auteurs soutiennent que cette approche :

• Permet un suivi sans contact dans des environnements domestiques réels sans wearables ni infrastructure préinstallée.
• Fournit une estimation des signes vitaux autonome qui est robuste aux variations de posture de l'utilisateur, contrairement aux systèmes statiques qui dépendent de la coopération de l'utilisateur.
• Démontre que le sensing incorporé conscient de la géométrie est essentiel pour capturer les signaux cardiaques faibles, offrant une solution là où le sensing mobile traditionnel par proximité échoue.

Ce travail positionne ActiveVital comme une fonction opportuniste pour les robots domestiques polyvalents, comblant le fossé entre l'exécution de tâches et la surveillance continue de la santé.